基于半监督稀疏鉴别嵌入的高光谱遥感影像分类 |
| |
引用本文: | 黄鸿,曲焕鹏.基于半监督稀疏鉴别嵌入的高光谱遥感影像分类[J].光学精密工程,2014,22(2):434. |
| |
作者姓名: | 黄鸿 曲焕鹏 |
| |
作者单位: | 黄鸿:重庆大学 光电技术及系统教育部重点实验室, 重庆 400044重庆川仪自动化股份有限公司技术中心, 重庆 401121 曲焕鹏:重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
|
| |
基金项目: | 国家自然科学基金资助项目(No.61101168,No. 41371338); 中国博士后科学基金资助项目(No.2012M511906,No.2013T60837); 重庆市基础与前沿研究计划资助项目(No.cstc2013jcyjA40005); 重庆市博士后科研资金特别资助项目(No.XM2012001);中央高校基本科研业务费专项资金资助项目(No.1061120131204, No.106112013CDJZR125501) |
| |
摘 要: | 为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。
|
关 键 词: | 高光谱遥感影像 影像分类 维数约简 稀疏表示 流形学习 半监督稀疏鉴别嵌入 |
收稿时间: | 2013/6/21 |
Hyperspectral remote sensing image classification based on SSDE |
| |
Abstract: | |
| |
Keywords: | hyperspectral remote sensing image image classification dimensionality reduction sparsity representation manifold learning semi-supervised sparsity discriminant embedding |
本文献已被 CNKI 等数据库收录! |
|