1、成像光譜儀技術的出現(xiàn)，使遙感技術提供光譜特征信息的同時，也提供了空間特征圖像，在此基礎上，高光譜遙感圖像因具有較高的光譜分辨率，在實際中得到了廣泛的應用。高光譜遙感圖像波段多、信息量大，能夠獲取更為精細地光譜特征，給對地物的分類與探測帶來前所未有的機遇，但同時也帶來了挑戰(zhàn)。針對高光譜遙感圖像的特點，分類技術需要考慮以下關鍵性問題：（1）高光譜遙感圖像具有幾十甚至數(shù)百個波段，數(shù)據(jù)量大，維數(shù)高；（2）對樣本進行標記是一件耗費人力、物力、財力

2、的事情，且選取的樣本也不一定具有代表性，Hughes證明了訓練樣本數(shù)目為樣本數(shù)據(jù)維數(shù)的6~10倍時，分類效果較好，獲取足夠數(shù)目的且有代表性的有標簽樣本困難大；（3）地物的光譜特征受地物種類本身以及周圍環(huán)境的影響變化較大，光譜特征具有空間變異性。傳統(tǒng)的分類方法一般分為無監(jiān)督分類和監(jiān)督分類，無監(jiān)督分類無需先驗知識的指導，但分類效果不佳，監(jiān)督分類方法一般依賴訓練樣本的數(shù)量和質量，在訓練樣本不足或質量不高的情況下，分類器的泛化性降低。綜合考慮以

3、上問題，本文主要研究了高光譜遙感圖像的半監(jiān)督分類算法，充分利用海量的無標簽樣本信息，輔助分類器進行分類。同時，利用核學習技術解決維數(shù)災難問題，利用空間信息抑制光譜的空間變異性對分類的影響。在此基礎上，主要提出了以下兩種半監(jiān)督分類方法：
　　1提出一種結合局部和全局一致性學習方法（Learning with local and global consistency, LLGC）和最小二乘支持向量機（Least squares sup

4、port vector machine, LS-SVM）的半監(jiān)督分類算法。LLGC算法是一種基于圖的分類算法，根據(jù)樣本數(shù)據(jù)間的相似程度，將樣本標簽信息依次迭代的傳遞給無標簽樣本，基于此，本文提出用LLGC算法代替?zhèn)鹘y(tǒng)的KNN方法，對有標簽樣本的近鄰樣本進行標記，然后將已標記的樣本擴充到LS-SVM的訓練樣本集中，訓練 LS-SVM分類器。本文提出的算法不僅能夠很好地避免基于圖算法時間復雜度高和直推性的缺陷，而且可以擴充 LS-SVM訓練

5、樣本集，提高LS-SVM的分類精度和泛化能力。實驗結果表明，本文提出的算法在一定程度上提高了高光譜遙感圖像的分類精度。
　　2提出一種引入負相似的LapSVM半監(jiān)督分類（Dissimilarity in Laplacian support vector machine, Diss-LapSVM）方法。LapSVM分類器是結合傳統(tǒng)的正則化框架和流形假設提出的一種半監(jiān)督分類方法，同傳統(tǒng)的SVM算法一樣，結構簡單，運算速度快，魯棒性強，

6、而且通過添加流形正則化項，引入了無標簽樣本蘊含在流形結構中的幾何信息，輔助有標簽樣本調整分類界面，提高了分類器的泛化性能。同時，本文提出利用LNP（Linear neighborhood propagation, LNP)）算法，構造圖的拉普拉斯矩陣，更好地反映無標簽樣本的幾何結構信息。本文充分考慮到光譜特征的空間變異性，提出利用空間信息提取樣本之間的相似度問題，引入了負相似的概念，在一定程度上減緩“同譜異物”、“同物異譜”現(xiàn)象對分類結

7、果的影響。利用AVAIRIS圖像驗證算法的有效性，實驗結果證明本文提出的算法在提高分類精度和運算速度方面都獲得較好的效果，尤其可以提高光譜特征相似地物的分類精度。
　　本文提出的兩種算法各有特點，第一種是兩種監(jiān)督算法的結合，首先利用原始的有標簽樣本訓練一種分類器，對置信度較高的無標簽樣本進行標記，達到擴充另一種分類器的訓練樣本集目的；第二種算法是直接將無標簽樣本添加到目標函數(shù)中，利用無標簽樣本的幾何結構信息，同原始的有標簽樣本一起