基于Fisher准则和TrAdaboost的高光谱相似样本分类算法

摘要

针对小样本情况下高光谱类别相似导致图像类间分类精度低的问题,提出了一种基于Fisher准则和TrAdaboost的高光谱相似样本分类算法(H_TrAdaboost)。首先,结合光谱角法与光谱信息散度对样本进行相似度测量,确定辅助训练样本集,扩大总训练样本数量;其次,利用改进的Fisher准则进行样本可分性研究,从而在总训练样本中选出分类性较强的波段子集;最后,在算法迭代过程中利用TrAdaboost算法动态调整正负样本的权重,完成小样本情况下高光谱相似样本类间分类。结果表明,提出的H_TrAdaboost算法相较于对比算法有较高的分类精度,证明了所提算法的有效性。