基于半監(jiān)督學(xué)習(xí)的高光譜圖像分類方法研究.pdf

1、高光譜圖像具有較高的光譜和空間分辨率，能夠精確的獲取地物光譜特征，在很多領(lǐng)域得到了成功應(yīng)用。然而，高光譜圖像的特點(diǎn)也為其分類帶來(lái)了挑戰(zhàn)：1）高維譜特征；2）有限的訓(xùn)練樣本；3）存在冗余和噪聲波段。本文針對(duì)高光譜圖像分類中存在的問(wèn)題與挑戰(zhàn)，專注于半監(jiān)督學(xué)習(xí)擬從以下三個(gè)問(wèn)題開(kāi)展研究：1）魯棒的半監(jiān)督分類算法設(shè)計(jì)；2）半監(jiān)督稀疏判別特征學(xué)習(xí)；3）半監(jiān)督波段選擇方法設(shè)計(jì)。主要成果如下：
　　1.提出了一種基于空譜域雙視圖協(xié)同訓(xùn)練的半監(jiān)督高

2、光譜圖像分類方法。該方法采用譜特征和空間紋理特征作為協(xié)同訓(xùn)練的兩個(gè)獨(dú)立視圖，在分類中結(jié)合了空譜信息。同時(shí)，提出了一種改進(jìn)的樣本選擇機(jī)制，能夠有效地提高協(xié)同訓(xùn)練模型在訓(xùn)練樣本數(shù)目極其有限情況下的分類性能。
　　2.提出了一種基于半監(jiān)督字典學(xué)習(xí)的高光譜圖像分類方法。該方法利用標(biāo)記樣本和無(wú)標(biāo)記樣本共同學(xué)習(xí)重構(gòu)字典，同時(shí)在模型中加入了分類器參數(shù)的優(yōu)化過(guò)程。因此，該方法不僅能夠?qū)W習(xí)得到具有較好判別能力和泛化性能的字典，而且同時(shí)加入分類器參數(shù)

3、的優(yōu)化可以使得該模型具有基于該字典學(xué)習(xí)得到的判別稀疏表示下最優(yōu)的分類性能。
　　3.提出了一種基于聯(lián)合稀疏正則的半監(jiān)督高光譜波段選擇方法。該方法基于線性回歸模型，對(duì)回歸系數(shù)矩陣采用聯(lián)合稀疏正則約束，選擇對(duì)分類具有一致性的波段。同時(shí)，為提高模型的泛化能力，加入了流型正則項(xiàng)，將判別信息和平滑先驗(yàn)整合到一個(gè)更緊湊的半監(jiān)督模型中?；谠撃Ｐ偷牟ǘ芜x擇方法僅需計(jì)算回歸系數(shù)矩陣中列向量的l2范數(shù)，選取范數(shù)最大列對(duì)應(yīng)的波段的索引，方便用戶選取指