论文部分内容阅读
自20世纪80年代初期成像光谱概念的出现以来，遥感技术已经从多光谱技术发展到了如今的高光谱遥感技术，并且今后还有向超光谱发展的趋势。在高光谱遥感技术中，分类技术是一项重要的任务。传统的分类算法有监督分类、无监督分类和半监督分类三种。遥感技术的快速发展，光谱分辨率和空间分辨率的不断提高，给高光谱图像分类精度的进一步提高提供了一个新的平台。发展之后的高光谱遥感数据具有以下两个特点：（1）高光谱遥感数据的光谱波段多，数据运算量大，且不同波段之间相关性较大；（2）带标记的样本数量少，地物标签获取代价高，对标记样本的获取需要耗费大量的人力、物力，分类过程中容易引起 Hudges现象。如今，分类技术越来越多，但是面对高光谱数据的这些特点，传统的分类方法存在很多不足之处。有监督分类方法需要大量带标记的训练样本，无监督分类不需要标记样本，但是分类效果不理想。本文针对高光谱遥感数据的特点，在前人研究的基础上，主要对高光谱遥感图像半监督分类方法进行深入的研究，以提高相应的数据分类精度。本文主要研究内容如下： （1）为了充分发挥大量未标记样本的价值信息，本文提出了一种属于主动学习方法中的边缘采样方法（Margin Sampling，MS）。边缘采样方法是利用支持向量机原理对距离分类超平面近的样本点进行选取。针对MS算法可能对同一区域过度选取的问题，本文提出了将MS算法与流形保持图缩减（Manifold Preserving Graph Reduction,MPGR）算法的结合方法，以此保证选取样本点的稀疏性。把选取的样本点加入到训练样本集中，实验结果表明，该方法可以有效地利用大量无标签样本信息，在带标记样本很少的情况下，能够有效的提高分类器的分类精度，得到理想的分类结果。 （2）提出一种基于改进的局部全局一致性(Learning with Local and Global Consistency,LLGC)算法的半监督分类方法。首先通过改进边缘采样法（Margin Sampling， MS）选取最富含信息量的无标签样本，加入到训练集来扩充训练样本，然后用KNN算法进一步优选无标签样本，去除分类错误的样本和存在的野值点。接下来使用改进的局部全局一致性算法对无标签样本集进行分类标记，得到选取样本点的类别。最后加入到训练样本集中，交给最小二乘支持向量机（LS-SVM）对测试样本集进行分类标记。实验结果表明，本文方法在充分利用无标签样本的情况下，有效地提高了带有少量标签样本的高光谱图像的分类精度。