盛振国, 王立国

(1.哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001; 2.江南机电设计研究所，贵州 贵阳 550009)

改进的LLGC高光谱图像半监督分类

盛振国1,2, 王立国1

(1.哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001; 2.江南机电设计研究所，贵州 贵阳 550009)

针对高光谱数据波段多，地物标签获取代价高，带标记的样本数量少，分类过程中容易引起 Hudges 现象。本文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。通过边缘采样法(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；用KNN算法计算相似度进一步优选无标签样本，去除噪声点和存在的野值点；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，得到各类别的分类结果。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。

半监督分类； 局部全局一致性； 边缘采样法； KNN算法； 高光谱图像； 无标鉴样本集

自20世纪80年代以来，随着成像光谱技术的发展，高光谱遥感已经成为一个热门的研究方向[1]。随着光谱数量的不断增加，图像的分辨率越来越高，但也给数据分析带来一定的困难。高光谱图像数据波段多，地物标签获取代价高，带标记的样本数量少，分类过程中容易引起Hughes现象[2]。一般分类可分为无监督分类和监督分类两种。传统的无监督分类因为缺少有效的监督信息，所以分类精度不高。监督分类则需要大量带有标记的样本,而有标记样本的实地获取是一项消耗大量人力、物力和财力的事情[3]，因此如何利用少量的带标记样本和大量无标记样本的半监督学习方法成为当前热门研究的问题之一[4]。……