基于空间邻域信息的高光谱遥感影像半监督协同训练

针对tri_training协同训练算法在小样本的高光谱遥感影像半监督分类过程中，存在增选样本的误标记问题，提出一种基于空间邻域信息的半监督协同训练分类算法 tri_training_SNI(tri_training based on Spatial Neighborhood Information)。首先利用分类器度量方法不一致度量和新提出的不一致精度度量从 MLR(Multinomial Logistic Regression)、KNN(k-Nearest Neighbor)、ELM(Extreme Learning Machine)和RF(Random Forest)4个分类器中选择3分类性能差异性最大的3个分类器；然后在样本选择过程中，采用选择出来的3个分类器，在两个分类器分类结果相同的基础上，加入初始训练样本的8邻域信息进行未标记样本的二次筛选和标签的确定，提高了半监督学习的样本选择精度。通过对AVIRIS和ROSIS两景高光谱遥感影像进行分类实验，结果表明与传统的tri_training协同算法相比，该算法在分类精度方面有明显提高。