李志敏，郝盼超，黄 鸿，黄 文



半监督复合核图聚类在高光谱图像中的应用

李志敏，郝盼超，黄 鸿，黄 文

( 重庆大学光电技术与系统教育部重点实验室，重庆 400030 )

针对图的半监督聚类算法(Semi-Supervised Graph-Based Clustering, SSGC)中出现的对先验信息利用不充分、不足以应对数据异构、计算耗时大等问题，本文提出一种基于半监督复合核的图聚类算法，并应用于高光谱图像。该算法首先通过引入半监督学习方法对径向基函数(Radial Basis Function, RBF)进行了改进，以充分利用少量的标记样本和无标记样本；其次将RBF核与光谱角核进行融合，构造复合核权重矩阵。在权重矩阵的构造过程中，K-近邻方法的引入也简化了计算过程。在Indian Pine和Botswana高光谱数据集上的实验结果表明，相对于SSGC算法，本文算法不仅实现了更高的分类正确率，其总体分类精度提升1%~4%，而且有效提升了运算速度。

高光谱遥感图像；聚类；半监督学习；复合核

0 引 言

高光谱遥感图像包含了丰富的空间和光谱信息，具有很高的分辨力，已应用到科学研究的各个领域，特别是国防等涉及国家安全方面[1]。然而，面对高光谱的海量数据，如何将高光谱图像的各种特征结合，研究快速、高效的目标识别算法是目前和未来一段时间内的一个重点。

聚类分析是数据挖掘及机器学习领域内的重点问题之一，在数据挖掘、模式识别、决策支持、机器学习及图像分割等领域有广泛的应用。聚类是一个将数据分类到不同的类或者簇的过程，属于同一个簇的样本或者数据的特性具有很大的相似性，属于不同簇的样本数据有较大的不同点，聚类的这一特性可在高光谱图像处理中发挥重要的作用[2]。……