空间-光谱约束的图半监督高光谱影像分类算法

高光谱影像数据的类标签样本获取困难,而在少量标签点情况下的分类精度通常不理想。为此,提出了一种改进的空间-光谱约束的图半监督分类算法(spatial-spectral constrained graph-based semi-supervised classification,SS-GSSC)。首先,以欧氏距离结合RBF(radial basis function)核函数确定空间相似性权值;采用光谱相关角(spectral correlation angle,SCA)计算光谱相似性权值;然后,将2种权值以乘积的形式进行组合,对相似性测度进行约束;最后,利用标签传递算法对测试数据进行标签预测,获得分类结果。通过分别对Indian Pines影像和DC Sub影像进行分类实验的结果表明,该算法较之以往的分类算法,能更好地消除同类地物图斑中夹杂异类地物散点的现象,在少量标签点(每类25个)情况下,取得了较高的分类精度。