基于半監(jiān)督維數(shù)約減的高光譜圖像分類方法

暫無

基于半監(jiān)督維數(shù)約減的高光譜圖像分類方法\n技術(shù)領(lǐng)域\n[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及高維數(shù)據(jù)的降維，用于對高光譜遙感圖像的分類。\n背景技術(shù)\n[0002] 高光譜遙感是遙感領(lǐng)域在20世紀(jì)80年代起最重要的發(fā)展之一，也是當(dāng)今及今后幾十年內(nèi)遙感的前沿技術(shù)。高光譜遙感技術(shù)利用成像光譜儀以納米級的光譜分辨率，以幾十或幾百個(gè)波段同時(shí)對地表物成像，能夠獲得地物的連續(xù)光譜信息，實(shí)現(xiàn)地物空間信息、輻射信息、光譜信息的同步獲取，具有“圖譜合一”的特性，從而使人類對地觀測和信息獲取能力向前邁進(jìn)了一大步。\n[0003] 常用的高光譜圖像數(shù)據(jù)包括由美國宇航局NASA噴氣推進(jìn)實(shí)驗(yàn)室的空載可見光/紅外成像光譜儀AVIRIS獲得的Indian Pine數(shù)據(jù)集和Kennedy Space Center(簡稱KSC)數(shù)據(jù)集，以及NASA的EO-I HYPERION光譜儀獲得的Botswana數(shù)據(jù)集等。\n[0004] 遙感圖像分類就是將遙感圖像中的每個(gè)像元劃歸到類別中去的過程。高光譜圖像分類是建立在遙感圖像分類的基礎(chǔ)上，結(jié)合高光譜遙感圖像特點(diǎn)，對高光譜圖像進(jìn)行像元的識別和分類。由于高光譜遙感技術(shù)獲取的圖像包含了豐富的空間、輻射和光譜三重信息，這些信息特別適合分類，但仍存在巨大的挑戰(zhàn)和困難：(1)數(shù)據(jù)量大，至少幾十個(gè)波段，導(dǎo)致計(jì)算復(fù)雜度很高，也給數(shù)據(jù)的存儲、傳遞和顯示帶來了挑戰(zhàn)；(2)維數(shù)過高，存在冗余數(shù)據(jù)，會降低分類精度；(3)波段多，且波段間相關(guān)性高，導(dǎo)致所需訓(xùn)練樣本數(shù)目增多，如果訓(xùn)練樣本不足，將導(dǎo)致從訓(xùn)練樣本得到的參數(shù)不可靠。因此如何有效的降低高光譜圖像的維數(shù)，減少數(shù)據(jù)量是高光譜圖像分類中的一個(gè)重要問題。\n[0005] 目前，已經(jīng)有許多有效的維數(shù)約簡方法，如主成分分析PCA，核主成分分析KPCA，線性判別分析LDA，核判別分析KDA，局部線性嵌入LLE等。在這些已有的降維方法中，PCA和LDA是最著名，也是應(yīng)用最廣的線性降維方法。PCA的主要目標(biāo)是尋找在最小均方意義下最能代表原始數(shù)據(jù)的投影方向，該投影方向是通過線性變換得到的一組最優(yōu)的單位正交向量基，這些向量的線性組合可以重構(gòu)原始樣本，并且重構(gòu)后的樣本和原樣本之間的誤差最小。PCA在許多模式識別應(yīng)用中取得了較好的效果，但是由于它是一種無監(jiān)督的降維方法，不適用于反映樣本之間的差異。相對于PCA方法，LDA是一種有監(jiān)督的線性降維方法，主要目標(biāo)就是尋找在最小均方意義下，最能夠分開各類數(shù)據(jù)的投影方向，實(shí)現(xiàn)上是通過尋找一組線性變換以達(dá)到類內(nèi)散度最小且類間散度最大的目的。目前，LDA是最基本也是應(yīng)用最廣的降維方法。在此基礎(chǔ)上，已經(jīng)有學(xué)者利用核方法將PCA和LDA推廣到非線性形式，得到核主成分分析KPCA和核判別分析KDA。\n[0006] 上述PCA和KPCA屬于無監(jiān)督降維方法，因?yàn)闆]有有效的監(jiān)督信息即類別信息的指導(dǎo)，往往難以得到較好的后續(xù)分類結(jié)果；LDA和KDA屬于有監(jiān)督降維方法，其雖然可以充分利用大量的監(jiān)督信息而取得較為理想的結(jié)果，但是獲取大量監(jiān)督信息需要付出很大的代價(jià)。尤其對于高光譜圖像數(shù)據(jù)，其類別信息的獲取是耗時(shí)耗力且非常困難的。\n發(fā)明內(nèi)容\n[0007] 本發(fā)明的目的在于同時(shí)利用少量的有標(biāo)記數(shù)據(jù)以及大量的無標(biāo)記數(shù)據(jù)，提出一種基于半監(jiān)督維數(shù)約減的高光譜圖像分類方法，以減小計(jì)算復(fù)雜度，并在有標(biāo)記樣本較少的情況下提高分類正確率。\n[0008] 實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是，在利用少量有標(biāo)記樣本提供判別信息的基礎(chǔ)上，通過引入一個(gè)正則項(xiàng)，加入由大量無標(biāo)記樣本得到的幾何結(jié)構(gòu)信息，獲得更優(yōu)的低維空間，將原始高維數(shù)據(jù)轉(zhuǎn)換到低維空間中再進(jìn)行分類，從而獲得更好的分類性能。其實(shí)現(xiàn)步驟包括如下：\n[0009] (1)輸入高光譜圖像，該高光譜圖像包含c類像素點(diǎn)，其中有N個(gè)有標(biāo)記像素點(diǎn)，m個(gè)無標(biāo)記像素點(diǎn)，圖像的每一個(gè)像素點(diǎn)為一個(gè)樣本，每個(gè)樣本用一個(gè)特征向量表示，樣本的特征維數(shù)為D；\n[0010] (2)用N個(gè)有標(biāo)記樣本構(gòu)成有標(biāo)記訓(xùn)練集 其對應(yīng)的類別標(biāo)記集為用m個(gè)無標(biāo)記樣本構(gòu)成測試集 其中，xi表示有標(biāo)記訓(xùn)練集的第i個(gè)\n有標(biāo)記訓(xùn)練樣本，yj表示測試集的第j個(gè)測試樣本，每個(gè)樣本用一個(gè)列向量表示，li是第i個(gè)有標(biāo)記訓(xùn)練樣本所屬的類別標(biāo)號，N是有標(biāo)記訓(xùn)練樣本總個(gè)數(shù)，m是測試樣本總個(gè)數(shù)，D表示樣本的特征維數(shù)，R表示實(shí)數(shù)域；\n[0011] (3)從m個(gè)無標(biāo)記樣本中選出η個(gè)，與N個(gè)有標(biāo)記樣本組合，得到總訓(xùn)練集其中，sk表示總訓(xùn)練集的第k個(gè)訓(xùn)練樣本，總訓(xùn)練集的樣本個(gè)數(shù)為N+η，D表示樣本的特征維數(shù)，R表示實(shí)數(shù)域；\n[0012] (4)構(gòu)造有標(biāo)記訓(xùn)練集X的局部類間不相似性矩陣 和局部類內(nèi)不相似性矩陣[0013] \n[0014] \n[0015] 其中，c表示樣本的類別數(shù)，np表示有標(biāo)記訓(xùn)練集中第p類的有標(biāo)記訓(xùn)練樣本個(gè)數(shù)，N表示有標(biāo)記訓(xùn)練樣本總個(gè)數(shù)，xh表示第p類的第h個(gè)有標(biāo)記訓(xùn)練樣本，xi表示有標(biāo)記訓(xùn)練集中的第i個(gè)有標(biāo)記訓(xùn)練樣本，T表示矩陣的轉(zhuǎn)置，\n[0016] 為調(diào)節(jié)類間近鄰數(shù)的系數(shù)，\n[0017] 為調(diào)節(jié)類內(nèi)近鄰數(shù)的系數(shù)，\n[0018] 式中，qb表示類間近鄰數(shù)，即從第p類以外的有標(biāo)記訓(xùn)練樣本中選出的與xh距離最近的近鄰樣本個(gè)數(shù)，Nb(xh)定義為有標(biāo)記訓(xùn)練樣本xh的類間qb近鄰域，下標(biāo)b均表示類間，qw表示類內(nèi)近鄰數(shù)，即從第p類有標(biāo)記訓(xùn)練樣本中選出的與xh距離最近的近鄰樣本個(gè)數(shù)，Nw(xh)定義為有標(biāo)記訓(xùn)練樣本xh的類內(nèi)qw近鄰域，下標(biāo)w均表示類內(nèi)；\n[0019] (5)對所述 和 進(jìn)行求和，得到有標(biāo)記訓(xùn)練集總的局部不相似性矩陣：\n[0020] (6)構(gòu)造總訓(xùn)練集S的相似度矩陣M，計(jì)算拉普拉斯矩陣L＝D′-M，其中，D′是對角矩陣，對角元素為 Mkt為矩陣M的第k行t列元素；\n[0021] (7)根據(jù)有標(biāo)記訓(xùn)練集X的局部類間不相似性矩陣 和總的局部不相似性矩陣?yán)绽咕仃嘗，以及總訓(xùn)練集S，構(gòu)造特征值方程 e＝1，Λd，其中，\nβ是權(quán)重系數(shù)，ve表示第e個(gè)特征向量，λ表示特征值，T表示矩陣的轉(zhuǎn)置，d表示降維后的維數(shù)；\n[0022] (8)設(shè)置降維后的維數(shù)d的值，求解特征值方程 e＝1，\nΛd，得到d個(gè)最大特征值及其對應(yīng)的特征向量v1，v2，Λvd，構(gòu)成投影矩陣V＝[v1，v2，Λvd]∈RD×d，D表示樣本的原始特征維數(shù)，R表示實(shí)數(shù)域；\n[0023] (9)分別將有標(biāo)記訓(xùn)練集 和測試集 投影到由投影矩\n陣V所張成的低維空間，得到投影后的新的有標(biāo)記訓(xùn)練集 和新的測試集\nT\n其中，x′i＝為第i個(gè)有標(biāo)記訓(xùn)練樣本的新的特征向量，xi為原\nT\n有標(biāo)記訓(xùn)練集的第i個(gè)訓(xùn)練樣本，y′j＝為第j個(gè)測試樣本的新的特征向量，yj為原測試集的第j個(gè)測試樣本，N表示有標(biāo)記訓(xùn)練樣本總個(gè)數(shù)，m表示測試樣本總個(gè)數(shù)，d表示新的樣本集的特征維數(shù)，R表示實(shí)數(shù)域；\n[0024] (10)將新的有標(biāo)記訓(xùn)練集 和類別標(biāo)記集 以及新的測試\n集 輸入到支撐矢量機(jī)SVM中進(jìn)行分類，得到測試集的分類結(jié)果 其中，\nl′j表示第j個(gè)測試樣本所屬的類別標(biāo)號。\n[0025] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：\n[0026] 1、本發(fā)明由于采用維數(shù)約減算法對高光譜圖像數(shù)據(jù)進(jìn)行降維后，再進(jìn)行分類，大大減少了計(jì)算量，提高了分類的速度。\n[0027] 2、本發(fā)明由于同時(shí)利用了有標(biāo)記樣本和無標(biāo)記樣本，能夠獲得更理想的低維投影空間，從而獲得高維數(shù)據(jù)在低維空間中更精確的表示，提高了后續(xù)分類的準(zhǔn)確率；\n[0028] 對比實(shí)驗(yàn)表明，本發(fā)明有效降低了計(jì)算的復(fù)雜度，提高了高光譜遙感圖像的分類準(zhǔn)確率。\n附圖說明\n[0029] 圖1是本發(fā)明的流程示意圖；\n[0030] 圖2是本發(fā)明仿真采用的Indian Pine圖像；\n[0031] 圖3是本發(fā)明與現(xiàn)有方法在有標(biāo)記訓(xùn)練樣本個(gè)數(shù)不同時(shí)，采用不同的特征維數(shù)得到的分類結(jié)果：\n[0032] 圖4是本發(fā)明與現(xiàn)有方法對Indian Pine圖像的分類結(jié)果圖。\n具體實(shí)施方式\n[0033] 參照圖1，本發(fā)明的具體實(shí)施步驟包括：\n[0034] 步驟1，輸入高光譜圖像，從高光譜圖像的每一類像素點(diǎn)中選出等量的像素點(diǎn)，作為有標(biāo)記像素點(diǎn)，有標(biāo)記像素點(diǎn)的總個(gè)數(shù)為N，該高光譜圖像的剩余m個(gè)像素點(diǎn)作為無標(biāo)記像素點(diǎn)，用每一個(gè)像素點(diǎn)的各個(gè)波段的灰度值作為該像素點(diǎn)的特征向量，每個(gè)像素點(diǎn)就是一個(gè)樣本，樣本的原始特征維數(shù)為D。\n[0035] 步驟2，選取有標(biāo)記訓(xùn)練集X、測試集Y以及總訓(xùn)練集S。\n[0036] 2a)用N個(gè)有標(biāo)記樣本構(gòu)成有標(biāo)記訓(xùn)練集 其對應(yīng)的類別標(biāo)記集為其中，xi表示有標(biāo)記訓(xùn)練集的第i個(gè)有標(biāo)記訓(xùn)練樣本，每個(gè)有標(biāo)記訓(xùn)練樣本用一個(gè)列向量表示，li是第i個(gè)有標(biāo)記訓(xùn)練樣本所屬的類別標(biāo)號，N是有標(biāo)記訓(xùn)練樣本總個(gè)數(shù)，D表示樣本的特征維數(shù)，R表示實(shí)數(shù)域；\n[0037] 2b)用m個(gè)無標(biāo)記樣本構(gòu)成測試集 其中，yj表示測試集的第j個(gè)測試樣本，每個(gè)測試樣本用一個(gè)列向量表示，m表示測試樣本個(gè)數(shù)，D表示樣本的特征維數(shù)，R表示實(shí)數(shù)域；\n[0038] 2c)從m個(gè)無標(biāo)記樣本中選出η個(gè)，作為無標(biāo)記訓(xùn)練樣本，與N個(gè)有標(biāo)記樣本組合，得到總訓(xùn)練集 其中，sk表示總訓(xùn)練集的第k個(gè)訓(xùn)練樣本，總訓(xùn)練集的樣本個(gè)數(shù)為N+η，D表示樣本的特征維數(shù)，R表示實(shí)數(shù)域。\n[0039] 步驟3，構(gòu)造有標(biāo)記訓(xùn)練集X的局部類間不相似性矩陣 和局部類內(nèi)不相似性矩陣[0040] 3a)計(jì)算有標(biāo)記訓(xùn)練集中兩兩樣本之間的歐氏距離：dig＝||xi-xg||，其中，xi和xg分別為有標(biāo)記訓(xùn)練集中第i個(gè)和第g個(gè)有標(biāo)記訓(xùn)練樣本，dig表示第i個(gè)和第g個(gè)有標(biāo)記訓(xùn)練樣本之間的歐式距離；\n[0041] 3b)設(shè)置類間近鄰數(shù)qb和類內(nèi)近鄰數(shù)qw的值，根據(jù)有標(biāo)記訓(xùn)練樣本之間的歐氏距離大小，對有標(biāo)記訓(xùn)練集中每一個(gè)屬于第p類的有標(biāo)記訓(xùn)練樣本xh，從第p類以外的有標(biāo)記訓(xùn)練樣本中選出與xh距離最近的qb個(gè)類間近鄰樣本，從第p類有標(biāo)記訓(xùn)練樣本中選出與xh距離最近的qw個(gè)類內(nèi)近鄰樣本，將Nb(xh)定義為有標(biāo)記訓(xùn)練樣本xh的類間qb近鄰域，將Nw(xh)定義為有標(biāo)記訓(xùn)練樣本xh的類內(nèi)qw近鄰域，下標(biāo)b和w分別用來區(qū)分類間與類內(nèi)，p的取值范圍是1到c，c表示樣本的類別數(shù)，即原始像素點(diǎn)的類別數(shù)，xh表示第p類的第h個(gè)有標(biāo)記訓(xùn)練樣本，np表示有標(biāo)記訓(xùn)練集中第p類的有標(biāo)記訓(xùn)練樣本個(gè)數(shù)；\n[0042] 3c)根據(jù)步驟3b)中確定的參數(shù)，分別計(jì)算調(diào)節(jié)類間近鄰數(shù)的系數(shù) 和調(diào)節(jié)類內(nèi)近鄰數(shù)的系數(shù)\n[0043] \n[0044] 3d)根據(jù)步驟3b)和步驟3c)中確定的參數(shù)，分別計(jì)算每一類有標(biāo)記訓(xùn)練樣本的局部類間不相似性矩陣 及局部類內(nèi)不相似性矩陣\n[0045] \n[0046] \n[0047] 其中，N是有標(biāo)記訓(xùn)練樣本總個(gè)數(shù)，T表示矩陣的轉(zhuǎn)置；\n[0048] 3e)對每一類有標(biāo)記訓(xùn)練樣本的局部類間不相似性矩陣 進(jìn)行求和，得到有標(biāo)記訓(xùn)練集的局部類間不相似性矩陣：\n[0049] 3f)對每一類有標(biāo)記訓(xùn)練樣本的局部類內(nèi)不相似性矩陣 進(jìn)行求和，得到有標(biāo)記訓(xùn)練集的局部類內(nèi)不相似性矩陣：\n[0050] 步驟4，對所述 和 進(jìn)行求和，得到有標(biāo)記訓(xùn)練集總的局部不相似性矩陣：\n[0051] 步驟5，構(gòu)造總訓(xùn)練集S的相似度矩陣M，并計(jì)算拉普拉斯矩陣L＝D′-M。\n[0052] 5a) 計(jì) 算 總 訓(xùn) 練 集 S 中 任 意 兩 個(gè) 樣 本 之 間 的 相 似 度：\n其中，sk和st分別是總訓(xùn)練集S中的第k個(gè)和第t個(gè)訓(xùn)練\n樣本，σ為相似度矩陣的核參數(shù)，exp{}為自然底數(shù)e的指數(shù)函數(shù)；\n[0053] 5b)由所述Mkt得到相似度矩陣M，即Mkt作為矩陣M的第k行第t列元素，矩陣M的大小為N+η行N+η列，N+η為總訓(xùn)練集的樣本個(gè)數(shù)；\n[0054] 5c)由所述Mkt計(jì)算對角矩陣D′，對角元素計(jì)算公式為：\n[0055] 5d)由相似度矩陣M和對角矩陣D′，得到拉普拉斯矩陣L＝D′-M。\n[0056] 步驟6，構(gòu)造特征值方程。\n[0057] 6a)設(shè)置權(quán)重系數(shù)β，根據(jù)總訓(xùn)練集S和拉普拉斯矩陣L，構(gòu)造正則項(xiàng)矩陣βSLST，該正則項(xiàng)矩陣大小為D×D，D為原始樣本特征維數(shù)；\n[0058] 6b)根據(jù)有標(biāo)記訓(xùn)練集的局部類間不相似性矩陣 和總的局部不相似性矩陣 以T\n及正則項(xiàng)矩陣βSLS，得到特征值方程： e＝1，Λd，其中，ve表示第\ne個(gè)特征向量，λ表示特征值，T表示矩陣的轉(zhuǎn)置，d表示降維后的維數(shù)。\n[0059] 步驟7，求解特征值方程，得到投影矩陣。\n[0060] 7a)設(shè)置降維后的維數(shù)d的值，對特征值方程 e＝1，Λd進(jìn)\n行變形，得到矩陣 再對該矩陣進(jìn)行特征分解，得到特征值 以及對應(yīng)的特征向量 其中，λe表示矩陣S的第e個(gè)特征值，ve為特征值λe對應(yīng)的特征向量，r表示特征值的個(gè)數(shù)；\n[0061] 7b)取特征值 中d個(gè)最大特征值，用這d個(gè)特征值對應(yīng)的特征向量v1，v2，Λvd，D×d\n構(gòu)成投影矩陣V＝[v1，v2，Λvd]∈R ，D表示樣本的原始特征維數(shù)，R表示實(shí)數(shù)域。\n[0062] 步驟8，分別將有標(biāo)記訓(xùn)練集X和測試集Y投影到由投影矩陣V所張成的低維空間，得到投影后的新的有標(biāo)記訓(xùn)練集和新的測試集。\n[0063] 8a)將原始的有標(biāo)記訓(xùn)練集 投影到由投影矩陣V張成的空間中，得到新的有標(biāo)記訓(xùn)練集 其中，x′i＝為第i個(gè)有標(biāo)記訓(xùn)練樣本的新的特征向量，xi為原有標(biāo)記訓(xùn)練集的第i個(gè)訓(xùn)練樣本，N表示有標(biāo)記訓(xùn)練樣本總個(gè)數(shù)，d表示新的有標(biāo)記訓(xùn)練集的樣本特征維數(shù)，R表示實(shí)數(shù)域；\n[0064] 8b)將原始的測試集 投影到由投影矩陣V張成的空間中，得到新的T\n測試集 其中，y′j＝為第j個(gè)測試樣本的新的特征向量，yj為原\n測試集的第j個(gè)測試樣本，m表示測試樣本個(gè)數(shù)，d表示新的測試集的樣本特征維數(shù)，R表示實(shí)數(shù)域。\n[0065] 步驟9，將新的有標(biāo)記訓(xùn)練集 和類別標(biāo)記集 以及新的測\n試集 輸入到支撐矢量機(jī)SVM中進(jìn)行分類，得到測試集的識別結(jié)果 其\n中，l′j表示第j個(gè)測試樣本所屬的類別標(biāo)號。\n[0066] 本發(fā)明的效果可以通過以下仿真實(shí)驗(yàn)進(jìn)一步說明：\n[0067] 1.仿真條件：\n[0068] 仿真實(shí)驗(yàn)采用美國宇航局NASA噴氣推進(jìn)實(shí)驗(yàn)室的空載可見光/紅外成像光譜儀AVIRIS于1992年6月在印第安納西北部獲取的Indian Pine圖像，如圖2所示，圖像大小為145×145，共220個(gè)波段，去除噪聲以及大氣和水域吸收的波段還有200個(gè)波段，共16類地物信息，由于部分類別的數(shù)據(jù)個(gè)數(shù)非常少，在仿真實(shí)驗(yàn)中，只考慮表1所示的9類數(shù)據(jù)，整幅圖像被分為9類。\n[0069] 仿真實(shí)驗(yàn)在CPU為Intel Core(TM)2Duo、主頻2.33GHz，內(nèi)存為2G的WINDOWS XP系統(tǒng)上用MATLAB 7.0.1軟件進(jìn)行。\n[0070] 表1IndianPine圖像中的9類數(shù)據(jù)\n[0071] \n 類別 類別名稱 個(gè)數(shù)\n 1 Corn-no till 1434\n 2 Corn-min 834\n 3 Grass/Pasture 497\n 4 Grass/Trees 747\n 5 Hay-windrowed 489\n 6 Soybeans-no till 968\n 7 Soybeans-min 2468\n 8 Soybean-clean 614\n 9 Woods 1294\n[0072] 2.仿真內(nèi)容及分析：\n[0073] 使用本發(fā)明與現(xiàn)有三種方法對高光譜圖像Indian Pine進(jìn)行分類，現(xiàn)有三種方法分別是：核判別分析結(jié)合支撐矢量機(jī)KDA+SVM，主成分分析結(jié)合支撐矢量機(jī)PCA+SVM，核主成分分析結(jié)合支撐矢量機(jī)KPCA+SVM。本發(fā)明基于半監(jiān)督維數(shù)約減結(jié)合支撐矢量機(jī)的高光譜圖像分類方法的縮寫為SSLGC+SVM。\n[0074] 各分類方法KDA+SVM、PCA+SVM、KPCA+SVM和本發(fā)明SSLGC+SVM中的分類器SVM核-7 -8 -18 -8\n參數(shù)γ分別設(shè)置為10 、10 、10 和10 ，懲罰因子C一律設(shè)置為10000。本發(fā)明的類間近鄰數(shù)qb設(shè)置為10，類內(nèi)近鄰數(shù)qw設(shè)置為7，相似度矩陣的核參數(shù)σ設(shè)置為200，權(quán)重參數(shù)β設(shè)置為1，無標(biāo)記訓(xùn)練樣本個(gè)數(shù)η固定為2000。\n[0075] A.從表1所示9類數(shù)據(jù)中選取部分像素點(diǎn)作為有標(biāo)記像素點(diǎn)，這9類數(shù)據(jù)中的剩余像素點(diǎn)作為無標(biāo)記像素點(diǎn)，用本發(fā)明與現(xiàn)有三種方法對9類數(shù)據(jù)進(jìn)行20次分類實(shí)驗(yàn)，取分類結(jié)果的平均值，作為最終分類正確率，如圖3所示，其中圖3a是四種方法在每類有標(biāo)記訓(xùn)練樣本個(gè)數(shù)為8時(shí)的分類正確率與特征維數(shù)的曲線關(guān)系圖，圖3b是四種方法在每類有標(biāo)記訓(xùn)練樣本個(gè)數(shù)為12時(shí)的分類正確率與特征維數(shù)的曲線關(guān)系圖，橫坐標(biāo)為特征維數(shù)，維數(shù)范圍是1至60，縱坐標(biāo)為分類正確率。從圖3a可以看出當(dāng)特征維數(shù)大于10時(shí)，本發(fā)明的分類正確率達(dá)到65％以上，明顯高于現(xiàn)有方法；從圖3b中可以看出當(dāng)特征維數(shù)大于10時(shí)，本發(fā)明的分類正確率達(dá)到70％以上，明顯高于現(xiàn)有方法。從圖3a和圖3b中還可以看出，在維數(shù)大于15后，本發(fā)明的結(jié)果趨于穩(wěn)定，因此只需要采用15維特征，即可以得到較高的識別率，從而大大減少了計(jì)算量。\n[0076] B.從表1所示的9類數(shù)據(jù)的每一類像素點(diǎn)中選出10個(gè)作為有標(biāo)記像素點(diǎn)，整幅Indian Pine圖像的剩余像素點(diǎn)作為無標(biāo)記像素點(diǎn)，用四種方法對整幅Indian Pine圖像的所有像素點(diǎn)進(jìn)行分類，各方法中降維后的特征維數(shù)設(shè)置為15，結(jié)果如圖4所示，其中圖4a是KDA+SVM的分類結(jié)果圖，圖4b是PCA+SVM的分類結(jié)果圖，圖4c是KPCA+SVM的分類結(jié)果圖，圖4d是本發(fā)明的分類結(jié)果圖，從圖中可以看出，本發(fā)明的結(jié)果圖最為清晰，邊緣一致性比現(xiàn)有方法更好。\n[0077] 綜上，本發(fā)明在基于半監(jiān)督維數(shù)約減的基礎(chǔ)上結(jié)合支撐矢量機(jī)對高光譜圖像進(jìn)行分類，充分利用有標(biāo)記與無標(biāo)記信息，能夠減少計(jì)算量，并得到較高的識別率，與現(xiàn)有的方法相比具有一定的優(yōu)勢。