[发明专利]一种基于空‑谱信息的高光谱半监督分类方法

说明书

技术领域

本发明属于遥感信息处理技术领域，具体涉及一种基于空-谱信息的高光谱半监督分类方法。

背景技术

随着遥感技术的发展，高光谱图像得到了广泛应用。然而在处理高光谱数据时，有监督分类方法受到了限制：1、高光谱数据高维数与有限的训练样本之间的矛盾，引起了hughes现象，严重影响了有监督分类性能；2、高光谱图像覆盖区域大，实地考察困难且周期长，有标签样本的获取需要耗费大量的人力物力。区别于监督分类只利用有标签样本和无监督分类只利用无标签样本，半监督分类是综合利用有标签样本和无标签样本蕴含的信息，来提高分类方法性能的技术。在近十多年里，多种高光谱图像半监督分类方法相继提出，其中，基于支持向量机（SVM）的半监督分类方法最为常见，在这类方法中，将无标签样本蕴含的分布信息，融入到支持向量机中。如Kuo等人提出基于空间信息的半监督支持向量机方法（SC³SVM），是较为典型的空间信息与半监督方法相结合的方法，其利用了有标签样本的空间邻域信息来选择无标签训练样本，重新训练分类器，进而提高性能。虽然该方法有效的缓解了有监督学习中有标签样本不足的问题，但是依然存在明显不足，当有标签样本过少的情况下，该方法性能提高不明显。传统的分类方法一般建立在光谱信息之上，空间信息没有得到有效挖掘和利用。

在此背景下，本发明提出一种新的基于空-谱信息的半监督分类方法，更加有效的利用了样本的空间信息，且选取的无标签样本更具代表性，性能提高更为明显。

发明内容

本发明目的在于更加有效的利用样本的空间信息，提出一种基于空-谱信息的高光谱半监督分类方法。

本发明的目的是这样实现的：

（1）参数设置：选取训练集和多分类器策略，以及确定Gabor滤波器和基于概率模型的

支持向量机的参数：

1.1选取N个类别进行分类，每类选取s个样本，共l_n＝s×N个有标签样本组成初始训练集Dl0={(xl1,yl1),...,(xln,yln)},]]>剩余样本为无标签样本Du={xu1,xu2,...,xun},]]>其中表示第l_i个像元的光谱特征，表示的标签，u_n表示无标签样本的个数。对迭代次数进行初始化k＝0，且每次迭代加入训练集的无标签样本迭代终止条件为加入训练集的无标签样本总数为n_u；

1.2Gabor滤波器最大频率为f_max，且频率和尺度个数分别为U、V，高斯半径为σ，Gabor函数的相角为φ；