[发明专利]一种结合混合像元分解与主动学习的半监督分类方法

权利要求书

1.一种结合混合像元分解与主动学习的半监督分类方法，其特征在于，包括：

在待分类的影像样本中，选取已知类别样本为已标记样本，并形成已标记样本集；其余的样本为未标记样本；

根据所述已标记样本以及未标记样本，构建主动学习样本集；

将所述主动学习样本集的样本合并到所述已标记样本集中，利用合并后的已标记样本集对所述影像进行分类，得到分类结果；

其中，

所述已标记样本为所述影像样本中已被标记类别的像元；

所述未标记样本为所述影像样本中未被标记类别的像元；

所述构建主动学习样本集，是通过混合像元分解以及主动学习结合的方法实现的；

其中，所述混合像元分解以及主动学习结合的方法，包括：

根据所述已标记样本对所述影像样本进行全约束最小二乘混合像元分解，得到各个影像样本的丰度信息；

根据所述混合像元分解的结果以及预设的主动学习参数，在未标记样本集中，选择丰度最均匀样本以及最易误分样本，并移动到所述主动学习样本集中，同时更新所述未标记样本集，所述未标记样本集包含所有的未标记样本；

所述丰度信息为每个影像样本的若干个丰度值，每个丰度值代表一个类别；

所述预设的主动学习参数包括：主动学习添加的样本数量M、主动学习迭代次数t以及权重参数w；

所述选择丰度最均匀样本，包括：

在所述未标记样本集中，获取每个所述未标记样本的丰度差，按照所述丰度差由小到大的顺序对所述未标记样本进行排序，并选择若干个排序靠前的样本；

其中，选择的个数为M×(1-w)/t；

所述丰度差为所述未标记样本的最大丰度值与最小丰度值之差；

所述选择最易误分样本，包括：

在所述未标记样本集中，查看各个所述未标记样本的丰度信息中，丰度值最高的两个类别，即为主要类别；将所述主要类别相同的所述未标记样本分为一组；

在每个分组中，获取所述主要类别中两个类别的丰度值之差，并按所述丰度值之差从小到大的顺序，对所述未标记样本进行排序；保留各个分组中若干个排序靠前的样本，其中保留的个数为M×(1-w)/t；

对保留的样本进行分类并筛选，根据需要同时考虑筛选后每组当前的样本数量比例，选择每组中若干个排序靠前的样本；

其中，从所有分组中选择样本的总个数为M×(1-w)/t。

2.如权利要求1所述的半监督分类方法，其特征在于，所述根据所述已标记样本对所述影像样本进行全约束最小二乘混合像元分解，包括：

获取各个所述已标记样本的类别的平均光谱曲线；

以所述平均光谱曲线作为端元，进行所述影像样本的全约束最小二乘混合像元分解，得到各个影像样本的丰度信息。

3.如权利要求1所述的半监督分类方法，其特征在于，所述对所述保留的未标记样本进行分类是，对所述保留的未标记样本进行支持向量机分类。

4.如权利要求1所述的半监督分类方法，其特征在于，所述利用合并后的已标记样本集对所述影像进行分类为，利用所述合并后的已标记样本集对所述影像进行支持向量机分类。

5.如权利要求1所述的半监督分类方法，其特征在于，还包括：对合并后的所述已标记样本集进行分类之后，重复如下步骤：

根据所述已标记样本以及未标记样本，构建主动学习样本集；

将所述主动学习样本集的样本合并到所述已标记样本集中，对合并后的所述已标记样本集进行分类；

直至重复次数达到预设的迭代次数，或分类精度达到预设的精度要求，得到最终的分类结果。