面向高光谱图像分类的半监督丛流形学习

考虑高光谱遥感数据集多类别非线性的特点,本文假设高光谱遥感数据集具有丛流形结构属性,提出了一种半监督丛流形学习（SSBML）算法来有效提取高光谱遥感图像的鉴别特征。该算法利用标记样本和无标记样本构建两个近邻关系图来保持数据集中丛流形的＂整体＂结构（各个子流形之间的相互关系）和每个子流形的内蕴结构特征,实现半监督的丛流形学习。在肯尼迪航天中心（KSC）和帕维亚大学（PaviaU）高光谱数据集上的实验结果表明：该算法可以发现高光谱遥感数据集中丛流形结构的精细特征,有效提升高光谱遥感图像的分类精度。实验显示：该算法的总体分类精度比单一流形假设的局部保形投影（LPP）和邻域保持嵌入（NPE）算法提升了约2.9%~15.7%,比半监督最大边界准则（SSMMC）和半监督流形保持嵌入（SSSMPE）等半监督算法提升了约2.6%~12.4%。