基于朴素贝叶斯的半监督学习遥感影像分类

为提高分类器识别率,减少标注样本使用数量,提出一种基于朴素贝叶斯的半监督学习方法。研究基于该方法的分类器分类效果,采用遥感影像数据作为训练和测试集,与基于朴素贝叶斯的全监督学习分类器分类效果作比较。实验结果表明,当标注样本与非标注样本比例在1：2~1：9时,半监督学习可以利用比全监督学习更少的标注样本,达到更高的分类精度。

基于遗传算法的高分辨率遥感分类器融合

提出利用遗传算法设计的2种多分类器融合模型:在模型1中,各单分类器选择不相交的特征子空间;模型2则取消了上述限制。通过实验,对2种模型与2种单分类器进行了对比。结果表明,2种多分类器模型能有效地提高分类精度,且模型1利用了不相交特征空间,更有利于提高特征相关性较大的高分辨率遥感图像的分类精度。