第6卷第5期 智能系统学报 Vol.6 No.5 2011年10月 CAAI Transactions on Intelligent Systems 0ct.2011 doi:10.3969/j.issn.16734785.2011.05.003 高斯过程及其在高光谱图像分类中的应用 姚伏天12，钱法涛2 (1.浙江大学计算机学院，浙江杭州310027：2.浙江大学人工智能研究所，浙江杭州310027） 摘要：高光谱遥感图像分类是高光谱成像信息处理的研究热点，高光谱成像的内在特点对于分类器设计具有直接 影响.高斯过程是近年来发展迅速的一种新的机器学习方法，具备容易实现、超参数可自适应获取以及预测输出具 有概率意义等优点，比较适合于处理图像分类问题.首先对高斯过程的基本概念及其主要的分类算法进行了简要介 绍，然后在对高光谱图像分类的特点和高光谱图像分类的研究现状的分析基础上，讨论了基于高斯过程的高光谱图 像分类的基本思想，提出了基于空间约束的高斯过程分类和基于半监督高斯过程分类等适合高光谱图像分类的新 方法.最后对基于高斯过程的高光谱图像分类研究的发展趋势进行了展望， 关键词：高斯过程：高光谱图像：机器学习：图像分类 中图分类号：TP181文献标志码：A文章编号：16734785(2011)05039609 Gaussian process and its applications in hyperspectral image classification YAO Futian'2,QIAN Yuntao'2 (1.College of Computer Science,Zhejiang University,Hangzhou 310027,China;2.Institute of Artificial Intelligence,Zhejiang Uni- versity,Hangzhou 310027,China) Abstract:Hyperspectral image classification is one of the hotspots in the field of remote sensing applications.The classification performance is affected by the inherit characteristics of hyperspectral imaging.Gaussian process(GP) is a recently developed machine learning method which enables explicitly probabilistic modeling and makes results easily interpretable.Furthermore,hyper-parameters of GP can be learned from training data,which overcomes the difficulties of fixing model parameters in most classifiers.This paper introduced the basic concept of GP and some GP-based classification methods.After analyzing the characteristics of hyperspectral imaging and the existing classi- fication methods for hyperspectral images,GP based classification for hyperspectral images was discussed,and some new GP-based classification methods such as GP with spatial constraints and semisupervised GP methods were proposed.Finally,several future research trends of GP and hyperspectral image classification were given. Keywords:Gaussian process;hyperspectral imaging;machine learning;image classification 高斯过程(Gaussian process,GP)是近几年发展 率解释。 起来的一种机器学习技术，是目前国际上机器学习 GP预测的思想可以追溯到20世纪40年代[山 研究的热点领域，常被成功应用于处理回归与分类 众所周知，GP预测在地理统计学中被称为Kig 问题.与人工神经网络(artificial neural network, ing23].Thompson和Daley]将其引入气象学中， ANN)和支持向量机(support vector machine,SVM) Whittle将该方法用于空间预测，Ripley和Cress- 相比，GP的突出优点是在不牺牲性能的条件下容易 ie8]将GP预测用于空间统计.随后人们逐渐意识到 实现，其超参数可在模型构建过程中自适应获得，具 GP预测可用于通用回归问题，文献[9-11]中将GP 有严格的统计基础，并且其预测输出具有清晰的概 用于计算机实验数据分析，文献[12-13]基于机器学 习理论重新描述了GP回归和分类. 收稿日期：2010-1019. 基金项目：国家自然科学基金资助项目(60872071)， 基于G的分类器设计近年来受到越来越多的 通信作者：钱沄涛.E-mail:ytqian@ju.cd.cn 关注416.分类问题定义为给定输入向量x,通过预