基于半監(jiān)督學習的遙感影像分類.pdf

1、分類器所使用的學習方法是模式識別中最重要的內容之一。傳統(tǒng)的學習方法主要是全監(jiān)督學習，需要大量標注樣本進行訓練學習，適用于易獲得標注樣本的應用。在遙感領域，樣本標注需要花費大量的人力物力，且目視解譯很易標注出錯。為了盡可能準確的識別出未標注樣本，提高分類精度，需要對大量樣本進行人工標注，提高目視解譯準確率，非常耗時耗力。針對上述情況，本文引入半監(jiān)督學習方法，只需少量已標注樣本，大大減小了標注樣本所需的人力物力，減小了標注出錯率，有效地將少

2、量已標注樣本與大量未標注樣本結合起來。分別應用自我訓練和協(xié)同訓練，低密度分割，首先利用少量已標注樣本進行訓練學習，建立初始分類器，然后利用大量未標注樣本不斷新分類器，從而提高分類器的性能。本文用不同的方法對同一批次的遙感影像數(shù)據(jù)進行了大量實驗：運用基于樸素貝葉斯的全監(jiān)督學習方法，與基于自我學習與協(xié)同學習的半監(jiān)督學習方法進行比較，引入低密度分割進行影像的分類實驗。實驗結果表明，引入半監(jiān)督學習后，當標注樣本與非標注樣本比例在一定比例范圍時，