基于半监督核自适应学习的遥感高光谱图像分类方法

1. 基于半监督核自适应学习的遥感高光谱图像分类方法，其特征在于它的过程如下：
步骤一、对高光谱图像训练样本集的标注形式进行判定：若标注形式为类标签信息，则执行步骤二；若标注形式为边信息，则执行步骤三；
步骤二、对高光谱图像训练样本集中的所有样本进行标注，然后利用Fisher准则和最大间隔准则获得优化目标函数，然后通过基于遗传算法的自适应寻求算法对获得的优化目标函数进行计算，获得最优参数，然后执行步骤四；
步骤三、对高光谱图像训练样本集中的所有样本进行标注，然后利用全局流形保持设计准则获得优化目标函数，然后通过基于拉格朗日方法的自适应寻求算法对获得的优化目标函数进行计算，获得数据依赖核参数，然后执行步骤四；
步骤四、根据具体应用情况判断核函数的结构类型：若结构类型为不变结构，则执行步骤五；若结构类型为变结构，则执行步骤六；
步骤五、获得不变结构的最优核函数，然后执行步骤七；
步骤六、获得变结构的最优核函数，然后执行步骤七；
步骤七、根据获得的最优核函数，获得最优半监督分类器；利用获得的最优半监督分类器，对实测遥感高光谱图像进行分类，获得该遥感高光谱图像的类别。
2.根据权利要求1所述的基于半监督核自适应学习的遥感高光谱图像分类方法，其特征在于步骤二所述的对高光谱图像训练样本集中的所有样本进行标注的具体过程为：
步骤二一、按照类标签信息的标注形式，对高光谱图像训练样本集中的每个样本进行标注，则存在未标注样本；
步骤二二、以生成式模型作为分类器，将未标注样本属于每个已知类别的概率视为一组缺失参数，然后采用EM算法对未标注样本进行标注估计，再以估计的结果对所述未标注样本进行标注。
3. 根据权利要求1所述的基于半监督核自适应学习的遥感高光谱图像分类方法，其特征在于步骤三所述的对高光谱图像训练样本集中的所有样本进行标注的具体过程为：
步骤三一、获得所述高光谱图像训练样本集的正约束图和k最近邻图，根据获得的正约束图和k最近邻图，构造一个内在图，使得该内在图的一部分与所述正约束图相对应，使得该内在图的另一部分与所述k最近邻图相对应，同时，使该内在图内的数据在经验特征空间内的紧凑性最强；
步骤三二、获得所述高光谱图像训练样本集的负约束图和非k最近邻图，根据获得的负约束图和非k最近邻图，构造一个惩罚图，使得该惩罚图的一部分与所述负约束图相对应，使得该惩罚图的另一部分与所述非k最近邻图相对应，同时，使该惩罚图内的类间数据在经验特征空间内的分散性最强；
步骤三三、根据构造的内在图和惩罚图，对高光谱图像训练样本集中的所有样本进行标注。
4.根据权利要求1所述的基于半监督核自适应学习的遥感高光谱图像分类方法，其特征在于步骤五所述的获得不变结构的最优核函数的具体过程为：
步骤五一、对步骤二获得的最优参数或步骤三获得的数据依赖核参数进行初始化，将初始化后的参数进行编码后作为候选解；
步骤五二、根据优化目标函数计算所述候选解的适应度，保留适应度大于或等于阈值的候选解，舍弃其它候选解；
步骤五三，对保留的候选解进行复制、交叉以及变异等操作，生成新的候选解；
步骤五四、对新的候选解进行解码，即得到最优核优化参数，进而获得不变结构的最优核函数。
5.根据权利要求1所述的基于半监督核自适应学习的遥感高光谱图像分类方法，其特征在于在步骤六中，当步骤一中判定的标注形式为类标签信息时，所述获得变结构的最优核函数的具体过程可以为步骤A1至步骤A3：
步骤A1、利用高光谱图像训练样本集的标注信息，扩展获得数据依赖核函数，然后求得所述数据依赖核函数与已知基础核函数的关系，并求得所述数据依赖核函数的Fisher度量表达式，然后建立以该数据依赖核函数参数为自变量的Fisher度量函数；
步骤A2、根据所述训练样本集的标注信息进行优化目标函数设计，建立一个用于求解最优数据依赖核参数的约束方程；
步骤A3、利用循环迭代的方法对所述约束方程进行计算，获得以训练样本集为变量的最优解表达式，然后将训练样本集代入所述最优解表达式，计算获得自适应参数，进而获得变结构的最优核函数；
当步骤一中判定的标注形式为边信息时，所述获得变结构的最优核函数的具体过程可以为步骤B1至步骤B3：
步骤B1、利用边信息标注的训练样本集，获得经验映射空间内样本间隔的表达式，然后利用边信息建立数据依赖核函数表达式，进行优化目标函数设计；
步骤B2、根据样本间隔表达式、数据依赖核函数表达式及目标函数，建立一个用于求解最优数据依赖核参数的约束方程；
步骤B3、利用拉格朗日乘子法对所述约束方程进行计算，获得以训练样本集为变量的最优解表达式，然后将训练样本集代入所述最优解表达式，计算获得自适应参数，进而获得变结构的最优核函数。

暂无