高光谱半监督特征提取方法进展

半监督特征提取方法主要利用带标签和不带标签的样本进行训练学习。如果在学习过程中没有带标签的样本或者全都是带标签的样本，则半监督特征提取方法将转化为无监督或监督特征提取方法。在实际应用中，带标签样本的数量是有限的，而对无标签祥本进行标记需要专业知识且耗费人力资源，与带标签样本相比，无签样本的数量众多且成本低廉。基于上述原因，研究者用大量无标签样本和有限量标签样本进行特征提取，提出了半监督特征方法来提高光谱遥感图像数据的分类精度，如协同训练法明，直推式支持向量机和基于图的半监督学习方法。另外，研究者利用FLDA和无标签样提在HLDA的基的上实施正则化并用无标签的样本展示统形结构，是FLDA方法的进一步扩展，目的是为费希尔线性判别分析的目标的数增加一个正则项来保留特殊数据可能存在的某些属性。在高光谱遥感图像数据分类应用中，SSDA方法从带标签和不带标签的样本中推断数据固有的几何结构，所提取的特征数量被限制在类间散布矩阵的秩以内。Chen等提出了基于成对约束半监督维数降低框架对高光谱遥感图像进行分类。Sugiyama等用权衡参数结合监督和非监督方法，提出了半监督局部费希尔判别分析特征提取方法,该方法能克服监督方法FLDA和半监督方法SSDA的一些限制，但是不容易确定最优参数且有较高的计算负担。针对高光谱遥感图像的高维数据处理，SSLFDA 的计算负担较大，实际应用中将受到较大的限制。

在高光谱遥感图像数据的空间分辨率较高的情况下，特别是对于城市遥感图像数据，基于光谱的特征提取与分类方法将受到以下2个方面的影响:一是城市区域含有大量的人造材料，容易造成图像较强的异质性；二是不同类别可能是由相似材料表面的光谱信息构成。此时空间特征的提取非常有意义并且能提高分类精度，因此研究者提出了高光谱遥感图像数据空间特征提取法，如利用数学形态学方法来处理高光谱遥感图像数据，通过形态变换建立形态轮廓。利用圆形和线性结构元素来提高高空间分辨率城市遥感图像数据的分类精度。基于核的方法利用核主成分构建扩展形态轮廓,与传统方法构建的扩展形态轮廓相比，提高了分类精度。对第一主成分将属性剖面应用到高光谱遥感图像数据中得到了打展属性剖面，并将这一结果与ICA结合，提高高光谱遥感图像数据的分类精度。然而，形态学的开操作和闭操作降低了目标边界且改变了目标形状，很可能丢失一些关键的信息或引入虚假目标等。为了避免此类问题，可通过重建形态学的开操作和闭操作，来降低图像中的一些形状噪声。但是重构形态学开操作和闭操作可能会导致过重构现象。针对形态学的开操作和闭操作会引起图像中目标形状改变的问题，提出对满足一定条件的数据点可用部分重构技术来保留物体的形状信息。对于高光谱遥感图像的无监督、监督和半监督特征提取与分类方法，绝大多数的研究都集中在高光谱遥感图像光谱特征空间上，而对于高光谱遥感图像本身的空间特征以及光谱-空间维融合特征尚缺乏理论上的研究。