结合空间信息样本的选择的半监督高光谱影像分类

结合空间信息样本的选择的半监督高光谱影像分类

一.空间信息提取
1.径向基函数核(RBF)支持向量机
2.Mean Shift分割
均值向量偏移，一种非监督的基于聚类的分割算法。概率密度函数，→最大化概率密度函数→确定密度区域的中心→确定密度区域。(通过定义Mean Shift向量，并不断移动该向量实现分割)
3.主成分分析
在数据空间提取一组互不相关的向量来线性表达原始数据空间的所有特征向量。该方法提取的互不相关的向量就是原始数据的主分量，这些主分量极大地保留了原始数据中的主要信息。
二.结合空间信息的未标记样本怎选策略
1.选择未标记样本，利用未标记样本的信息是半监督分类的核心。
区域分割→给定标记样本集条件→确定最确定的样本→该区域有样本满足约束条件则该区域内所有样本标记为与样本相同的标记→每个分割区域重复上述步骤。
SVM分类器算法流程：

三.提高总体分类精度
利用光谱-空间集成的方法确定最后的分类精度。集成策略为：
这里写图片描述
其中，为分割区域的类别标记；为分割区域中属于类别的样本数；为分割区域中总的样本数；是调节过分割集成的参数。基于分类核分割结果光谱-空间集成的示意图如下。

参考文献：李二珠.半监督支持向量机高光谱遥感影像分类[D].徐州:中国矿业大学,2014.