基于半监督学习的遥感影像分类

【摘要】： 分类器所使用的学习方法是模式识别中最重要的内容之一。传统的学习方法主要是全监督学习,需要大量标注样本进行训练学习,适用于易获得标注样本的应用。 在遥感领域,样本标注需要花费大量的人力物力,且目视解译很易标注出错。为了尽可能准确的识别出未标注样本,提高分类精度,需要对大量样本进行人工标注,提高目视解译准确率,非常耗时耗力。 针对上述情况,本文引入半监督学习方法,只需少量已标注样本,大大减小了标注样本所需的人力物力,减小了标注出错率,有效地将少量已标注样本与大量未标注样本结合起来。分别应用自我训练和协同训练,低密度分割,首先利用少量已标注样本进行训练学习,建立初始分类器,然后利用大量未标注样本不断新分类器,从而提高分类器的性能。 本文用不同的方法对同一批次的遥感影像数据进行了大量实验:运用基于朴素贝叶斯的全监督学习方法,与基于自我学习与协同学习的半监督学习方法进行比较,引入低密度分割进行影像的分类实验。实验结果表明,引入半监督学习后,当标注样本与非标注样本比例在一定比例范围时,半监督学习可以利用比全监督学习少的标注样本,达到比全监督学习高的分类精度,具有一定的研究和实用意义。