基于图的半监督框架中的高光谱数据小样本分类

由于其高分辨率的光谱，使用高光谱遥感影像的光谱来识别和分类土地覆被一直是一个热门话题。 然而，当标记样品的数量太少时，高光谱数据的分类精度将大大降低。 大多数分类算法都采用降维策略，并且需要大量带标签的样本，以便学习可以识别特定材料的分类器。 但是在大多数遥感情况下，给样品加标签是一项昂贵的工作，而有价值的信息会因尺寸减小而丢失。 稀疏表示是一种快速有效的算法，它的优点是可以在不缩小尺寸的情况下对较小的标记样本执行得很好。 因此，我们提出了一个新的框架来构建基于图的半监督模型，以解决标记样本的稀缺性问题，并结合k最近邻（knn）图以利用空间特征。.在此新模型中，稀疏表示通过估计是否属于同一类别的成对像素来使用概率矩阵来构建概率矩阵，并将该概率矩阵集成到范数图中以形成更具区分性的图，称为图。 然后，我们将该图与knn图按比例合并。 新图可以同时使用光谱值和高光谱数据的空间信息。 我们在印第安纳州派恩斯高光谱数据集上证明了我们的建议的有效性，其结果优于最新技术水平。