融合光谱度量标记迁移和Tri-training的高光谱遥感图像半监督分类算法

• Published in: 大数据 Vol. 9; no. 6; pp. 72 - 89
• Main Authors: 曹峰, 李文涛, 骆剑承, 李德玉, 钱宇华, 白鹤翔, 张超
• Format: Journal Article
• Language: Chinese
• Published: 山西大学计算机与信息技术学院(大数据学院),山西 太原 030006%中国科学院空天信息创新研究院遥感科学国家重点实验室,北京 100101%山西大学计算机与信息技术学院(大数据学院),山西 太原 030006 01.11.2023; 山西大学计算智能与中文信息处理教育部重点实验室,山西 太原 030006; 山西大学大数据与产业研究院,山西 太原 030006; 山西大学计算智能与中文信息处理教育部重点实验室,山西 太原 030006%山西大学计算机与信息技术学院(大数据学院),山西 太原 030006; China InfoCom Media Group
• Subjects: tri-training算法; 光谱度量; 半监督分类; 纹理特征; 高光谱图像分类; spectral measurement; 高光谱图像分类; tri-training algorithm; Tri-training算法; 纹理特征; texture feature; 光谱度量; semi-supervised classification; classification of hyperspectral image; 半监督分类
• ISSN: 2096-0271
• DOI: 10.11959/j.issn.2096-0271.2022084

TP751; 针对海量的高光谱遥感图像光谱和丰富的空间信息中可用于分类的有标记样本远少于无标记样本的数据特性,提出了一种融合光谱度量标记迁移和Tri-training的高光谱遥感图像半监督光谱-空间分类算法.该算法提出了一种基于光谱度量的标记迁移方法,通过结合迁移标记和Tri-training预测标记进行扩充样本标记预测,提高了扩充样本标记的准确性.同时,该算法基于空间相关性选择扩充样本,综合运用光谱和空间特征提升图像分类的精度.在两个公开的高光谱遥感图像数据集上进行了实验,结果表明该算法优于基于Tri-training算法的高光谱遥感图像的分类性能.