基于空间邻域信息的高光谱遥感影像半监督协同训练

摘要

高光谱遥感数据具有光谱分辨率高、图谱合一、光谱波段范围广等优点,在对地观测时可以获得许多连续的波段,携带的地物信息非常丰富,可以更加精细地刻画地物的细节信息,进而准确地识别地物.近年来,如何准确、高效地对高光谱遥感影像进行分类,已经成为了研究热点.半监督分类研究在少量的训练样本条件下,利用大量的未标记样本来提高分类精度成为了一种很好的解决方法.Zhou等提出tri_training算法,该算法与其他协同训练方法相比,它不仅对选择的分类器类型没有限制,也不要求数据集具有两个或三个充分冗余且独立的视图,而且耗时较少.然而,tri_training协同训练算法需要足够多的有标记样本来保证初始训练得到的分类器具有较大的差异性,而且在半监督学习过程中,对增选样本的标签确定过程中存在错误标定的情况.因此,本文结合自训练和协同训练,提出一种基于空间邻域信息的高光谱影像半监督协同训练分类算法tri_training_SNI(tri_training based spatial neighhood information).通过AVIRIS数据实验表明，tri training SNI算法能有效准确地选择未标记样本并进行正确地标定，同时提高了分类精度。但本文提出的算法还存在不少问题，如三个分类器的差异性不够大。因此，下一步的工作主要是寻找到三个分类器之间的性能可以互补且差异性较大。