1、近年來(lái)遙感技術(shù)發(fā)展十分迅速，高光譜圖像得到了廣泛地研究與應(yīng)用。圖像分類是高光譜數(shù)據(jù)分析處理的一項(xiàng)基本內(nèi)容。但是高光譜圖像高維的數(shù)據(jù)特點(diǎn)、有限的帶標(biāo)簽樣本給數(shù)據(jù)分析和處理帶來(lái)很大的困難，在分類過(guò)程中容易引起維數(shù)災(zāi)難。并且，獲得有標(biāo)簽樣本需要大量人力物力，傳統(tǒng)的監(jiān)督分類方法表現(xiàn)出了很大的局限性。因此，同時(shí)利用有標(biāo)簽樣本和無(wú)標(biāo)簽樣本來(lái)訓(xùn)練分類器的半監(jiān)督方法成為高光譜圖像分類研究的熱點(diǎn)。半監(jiān)督分類需要充分利用無(wú)標(biāo)簽樣本所包含的光譜和空間信息來(lái)訓(xùn)

2、練推廣能力好、分類精度高的分類器。三重訓(xùn)練和自訓(xùn)練是兩種常用的半監(jiān)督分類算法。對(duì)于三重訓(xùn)練算法，在初始訓(xùn)練樣本很少的情況下，所訓(xùn)練的三個(gè)分類器之間沒有明顯的差異性，這制約著算法分類精度的提高。對(duì)于傳統(tǒng)自訓(xùn)練算法，在對(duì)無(wú)標(biāo)簽樣本進(jìn)行標(biāo)記的過(guò)程中容易發(fā)生誤標(biāo)現(xiàn)象，導(dǎo)致算法性能下降。基于以上問(wèn)題，本文在前人研究的基礎(chǔ)上對(duì)高光譜圖像半監(jiān)督分類做了深入的研究與探索，分別對(duì)三重訓(xùn)練和自訓(xùn)練分類算法進(jìn)行了改進(jìn)。本文的主要工作如下：
　　1、提出

3、基于主動(dòng)學(xué)習(xí)和差分進(jìn)化算法的三重訓(xùn)練分類。在所提算法框架中首先通過(guò)主動(dòng)學(xué)習(xí)算法選取一定量的最有價(jià)值的無(wú)標(biāo)簽樣本，然后在訓(xùn)練每個(gè)分類器之前通過(guò)差分進(jìn)化算法在所選取的無(wú)標(biāo)簽樣本的基礎(chǔ)上產(chǎn)生新樣本。這些新產(chǎn)生的樣本將被標(biāo)記并與原來(lái)的有標(biāo)簽樣本一起初始化分類器。實(shí)驗(yàn)結(jié)果表明，該方法可以充分地利用無(wú)標(biāo)簽樣本，并且在有標(biāo)簽數(shù)據(jù)很少的情況下能夠明顯提高分類精度和運(yùn)行效率。
　　2、提出基于空間-光譜聚類的半監(jiān)督分類。該方法首先通過(guò)Gabor濾波

4、提取空間信息并將其與光譜信息結(jié)合，然后利用主動(dòng)學(xué)習(xí)算法選取一定數(shù)目的最有價(jià)值的無(wú)標(biāo)簽樣本作為可能加入訓(xùn)練集的候選樣本。在對(duì)無(wú)標(biāo)簽樣本進(jìn)行標(biāo)記的過(guò)程中借助了自訓(xùn)練過(guò)程，采用基于概率模型的支持向量機(jī)與聚類算法相結(jié)合的方式，并且在譜聚類中引入了空間幾何信息。同時(shí)由于支持向量機(jī)的概率輸出形式可以提供任一像元屬于某一類別的概率，算法通過(guò)設(shè)置一個(gè)概率閾值將基于概率模型的支持向量機(jī)與聚類算法結(jié)合，來(lái)標(biāo)記無(wú)標(biāo)簽樣本。仿真結(jié)果表明，所提出的算法可以對(duì)無(wú)標(biāo)