基于半监督多核SVM和混合特征集的高光谱遥感影像分类

半监督SVM是当前模式识别领域的研究热点课题之一，用于高光谱遥感影像分类具有明显的优越性。本项目在半监督学习与多核SVM理论的基础上，利用半监督多核SVM优化无标识样本学习问题，并引入主动学习和增量学习，深入研究半监督多核SVM用于高光谱遥感影像分类的算法。通过探索隐半马尔科夫模型、小波纹理、数学形态学等空间特征和上下文信息提取方法，构建空间特征和光谱特征集进行无标识样本的半监督多核SVM分类。将先进的并行计算机技术引用于分类器算法中，以多CPU进行多核SVM的分布式计算，为解决海量高光谱遥感影像数据的处理提供解决方案。组合空间特征和和光谱信息进行高光谱遥感影像分类是本课题的出发点，改进的半监督多核SVM分类器是主要的创新点，研究成果能促进遥感科学、机器学习、模式识别等学科的交叉融合，能有效提高高光谱遥感影像分类和信息处理的精度和可靠性，推进高光谱遥感信息处理的应用。

本项目以国内外一些有代表性的机载高光谱数据为主要处理对象，深入研究利用半监督SVM组合空间特征和光谱信息进行高光谱遥感影像分类方法，针对高光谱遥感影像的小样本问题（特别是缺乏训练样本），设计合适的主动学习策略，选择最有价值的样本进行半监督SVM分类，以空间信息提取的空间结构信息与光谱信息结合来进行半监督SVM分类，达到提高分类器分类精度、学习效率和泛化能力。.（1）鉴于传统自训练半监督分类中未标记样本的选择主要是基于某一类整体进行选择的策略，容易造成训练样本的不平衡，提出了一种基于样本对样本的未标记样本选择策略，并结合该策略构建了基于自训练的半监督支持向量机高光谱影像分类算法。通过高光谱影像数据对所提出的算法的试验表明：该半监督算法具有较好的稳定性和有效地的改善了少样本情况下支持向量机的分类性能。.（2）提出了一种基于特征选择的光谱-空间SVM分类方法。通过三个标准的高光谱遥感影像数据进行了验证，结果表明，所提出的方法是有效及稳定的。通过对光谱-空间分类方法的研究发现，对高光谱遥感数据进行降维处理，同时增加空间特征，既可以解决高光谱数据波段之间相关性强、维数灾难的问题，同时增加的空间特征对提高数据的分类准确率有重要作用。.（3）将空间信息引入到半监督分类中未标记样本的选择过程，有效地解决了因为传统相似性度量方法在高光谱影像中的不适用性，以及对半监督分类过程中未标记样本选择的误差累积问题，同时通过空间信息有效地扩大了训练样本空间分布信息，提高了分类器训练过程中样本的信息量。实验结果表明，所提出的结合空间信息进行样本增选的半监督高光谱影像分类算法能够有效提高高光谱影像的分类精度。.（4）提出一种新的基于空间领域信息的样本确定方法。新算法将非标记样本的圆形空间邻域信息与多分类器融合技术结合起来得到了很好的效果，并通过实验得到了证明。圆形空间邻域信息的使用能够帮助从所有类别当中选出可能性较大的类别并形成一个子集合，这样排除干扰信息的同时降低了分类器的判断难度；通过多元逻辑回归分类器与K邻近分类器的融合避免了精确度不高的问题。