主動(dòng)學(xué)習(xí)與圖的半監(jiān)督相結(jié)合的高光譜影像分類

田彥平，陶 超，鄒崢嶸，楊釗霞，何小飛

中南大學(xué) 地球科學(xué)與信息物理學(xué)院，湖南 長(zhǎng)沙410083

1 引 言

高光譜遙感是20世紀(jì)后期遙感技術(shù)領(lǐng)域內(nèi)一項(xiàng)重大發(fā)展，它以眾多窄且連續(xù)的光譜通道，獲取大量具有完整光譜信息的感興趣地物圖像數(shù)據(jù)，為地物識(shí)別提供了方便［1－2］。傳統(tǒng)的高光譜影像分類方法主要有以支持向量機(jī)［3－4］為代表的監(jiān)督分類方法以及以模糊聚類法［5］為代表的非監(jiān)督分類方法。對(duì)于監(jiān)督分類方法，若要得到效果較好的分類模型，需要對(duì)大量的標(biāo)記樣本進(jìn)行訓(xùn)練，但是對(duì)高光譜遙感圖像獲取類別標(biāo)記數(shù)據(jù)，是一項(xiàng)耗時(shí)耗力、成本高昂的工作［6］；對(duì)于非監(jiān)督分類方法，無須使用標(biāo)記樣本，但缺乏先驗(yàn)知識(shí)，無法保證聚類后類別與地物類別之間的正確對(duì)應(yīng)。

在這種情況下，基于半監(jiān)督學(xué)習(xí)的高光譜影像分類方法引起了研究者的廣泛關(guān)注［7－9］。它的基本思想是基于數(shù)據(jù)分布的某種假設(shè)，綜合利用標(biāo)記與未標(biāo)記數(shù)據(jù)建立高性能學(xué)習(xí)器，一定程度上彌補(bǔ)了監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)的不足。常用的半監(jiān)督分類算法有生成式模型算法［10］、直推式支持向量機(jī)方法［11］、自訓(xùn)練方法［12］和基于圖的方法［13－14］。文獻(xiàn)［10］將光譜分解概念用于多項(xiàng)式邏輯回歸半監(jiān)督分類器中，提出新的遙感數(shù)據(jù)解譯方法，成功運(yùn)用于高光譜影像分類；文獻(xiàn)［11］將一種與時(shí)間相關(guān)的加權(quán)策略引進(jìn)直推式支持向量機(jī)算法，減小次最優(yōu)模型帶來的影響，使病態(tài)高光譜影像分類問題得到有效解決；文獻(xiàn)［13］提出基于圖的半監(jiān)督高光譜影像分類方法，首先構(gòu)造一個(gè)由標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)作為頂點(diǎn)、以數(shù)據(jù)間相似性作為邊的圖，依據(jù)權(quán)值大的相連數(shù)據(jù)具有較高的相似性而分類，在高光譜影像分類問題中得到了有效運(yùn)用。雖然半監(jiān)督學(xué)習(xí)已被成功應(yīng)用于高光譜影像分類，但它仍然存在兩點(diǎn)不足：①現(xiàn)有基于半監(jiān)督學(xué)習(xí)的高光譜影像分類方法大多只利用了影像的光譜信息，而較少關(guān)注影像中地物目標(biāo)的空間結(jié)構(gòu)特征；②它們所用的標(biāo)記數(shù)據(jù)是隨機(jī)選取的，如若選取不當(dāng)，將會(huì)得到與數(shù)據(jù)集不相匹配的假設(shè)而導(dǎo)致學(xué)習(xí)性能下降。

針對(duì)以上問題，本文提出主動(dòng)學(xué)習(xí)與圖的半監(jiān)督相結(jié)合的高光譜影像分類方法，方法流程如圖1所示，其主要思想是：首先將像素光譜信息與其鄰域內(nèi)像素特征相結(jié)合，提出一種旋轉(zhuǎn)不變的空－譜特征提取算法，以彌補(bǔ)單獨(dú)利用譜域信息進(jìn)行半監(jiān)督學(xué)習(xí)的不足；然后依據(jù)best－versus－sec－ond best（BvSB）［15］排序準(zhǔn)則設(shè)計(jì)主動(dòng)學(xué)習(xí)算法用于選取分類模糊度較大樣本進(jìn)行人工標(biāo)記，以保證初始訓(xùn)練模型的精度；最后采用圖的半監(jiān)督模型實(shí)現(xiàn)標(biāo)記與未標(biāo)記樣本的結(jié)合，在較少標(biāo)記樣本可用情況下，保證未標(biāo)記樣本的充分利用，以改善分類效果。試驗(yàn)結(jié)果表明，本文方法可以得到高效、穩(wěn)定的高光譜影像分類結(jié)果。

圖1 本文分類方法流程圖Fig.1 Flowchart of the proposed classification scheme

2 空－譜特征提取

由于高光譜影像維數(shù)高、波段間相關(guān)性強(qiáng)，易導(dǎo)致數(shù)據(jù)出現(xiàn)冗余、維數(shù)災(zāi)難等問題，首先利用PCA［16］（principal component analysis）對(duì)影像進(jìn)行特征降維，然后提出一種旋轉(zhuǎn)不變特性的空－譜特征提取方法，將影像的空域和譜域特征結(jié)合起來，以彌補(bǔ)單獨(dú)利用譜域信息進(jìn)行后續(xù)半監(jiān)督學(xué)習(xí)的不足。

假定降維之后的高光譜影像I包含d個(gè)波段，則I中任意像素x0的旋轉(zhuǎn)不變空－譜特征可表示為

圖2 空－譜特征提取圖Fig.2 Extraction of spatio－spectral features

3 高光譜影像分類

3.1 基于主動(dòng)學(xué)習(xí)的標(biāo)記樣本集構(gòu)造

傳統(tǒng)分類方法中標(biāo)記樣本都是隨機(jī)選取，如若選取不當(dāng)，可能得到與數(shù)據(jù)集不相匹配的假設(shè)而導(dǎo)致學(xué)習(xí)性能下降，故本文提出采用主動(dòng)學(xué)習(xí)［17－18］思想來構(gòu)造標(biāo)記樣本集，即根據(jù)當(dāng)前小標(biāo)記樣本集去訓(xùn)練模型，預(yù)測(cè)所有未標(biāo)記樣本，并按照BvSB準(zhǔn)則將其排序，從中選擇出分類最具模糊性樣本，并將以該樣本像元為中心的影像塊返回給用戶，用戶依據(jù)影像塊內(nèi)容給予目標(biāo)像素正確的類別標(biāo)記，再將樣本及其標(biāo)注置入訓(xùn)練集重新訓(xùn)練新的分類器，整個(gè)過程循環(huán)多次，直至分類器的某種指標(biāo)達(dá)到預(yù)設(shè)值或循環(huán)次數(shù)達(dá)到預(yù)設(shè)值［19］。如此構(gòu)造的標(biāo)記樣本集，比隨機(jī)選取樣本更能準(zhǔn)確表達(dá)數(shù)據(jù)的分布情況，更有利于分類器的邊界構(gòu)造，因此能夠達(dá)到更好的分類效果。

BvSB是一種樣本不確定性衡量準(zhǔn)則，它以樣本后驗(yàn)類別概率中兩個(gè)最大可能類別的概率值之差作為樣本不確定性的評(píng)價(jià)指標(biāo)，兩個(gè)最大可能類別概率的差值越小，則分類器的置信度越低。BvSB準(zhǔn)則降低了較大無關(guān)類別概率值的影響、與類別數(shù)目無關(guān)，且更直接地評(píng)估類間關(guān)系混合性?；贐vSB的訓(xùn)練樣本集構(gòu)造具體過程如下。

（1）初始每類隨機(jī)選取t個(gè)樣本并人工給予標(biāo)記，記為，其余未標(biāo)記樣本記為U為類別數(shù)目，m為影像I中所有像素的數(shù)目。

（2）對(duì)當(dāng)前訓(xùn)練樣本集L進(jìn)行訓(xùn)練，得到SVM模型。

（3）計(jì)算U中每一個(gè)樣本xj分為各類的可能后驗(yàn)概率，并計(jì)算xj的最大、次最大類別概率值之差Δp，據(jù)BvSB準(zhǔn)則排序所有未標(biāo)記樣本U，從中選擇Us個(gè)最具不確定性的樣本S，并交由操作者進(jìn)行標(biāo)注S＝｛xk，（注：U中樣本選擇與類別無關(guān)，不按類別均勻選?。?/p>

（4）將S加入L中，即L＝L∪S；同時(shí)從U中移除S，即U＝U＼S。

（5）依據(jù)最新L和U樣本集，執(zhí)行步驟（2）—步驟（4），直至循環(huán)次數(shù)達(dá)到預(yù)設(shè)值，結(jié)束循環(huán)。

997 Efficacy of mechanical thrombectomy with stent-retriever for anterior circulation distal vessel occlusion

最終得到最新的標(biāo)記樣本集L與剩余未標(biāo)記樣本集U。

3.2 主動(dòng)學(xué)習(xí)與圖的半監(jiān)督相結(jié)合的高光譜影像分類

為減少標(biāo)記樣本使用，避免未標(biāo)記樣本資源浪費(fèi)，本文采用標(biāo)記與未標(biāo)記樣本相結(jié)合的圖的半監(jiān)督分類模型。其原理是用圖來模擬數(shù)據(jù)的低維流形分布，然后根據(jù)標(biāo)簽傳播算法［20］，類別標(biāo)記信息在圖上由標(biāo)記數(shù)據(jù)傳遞到臨近的未標(biāo)記數(shù)據(jù)。該數(shù)據(jù)圖的頂點(diǎn)由所有標(biāo)記和未標(biāo)記數(shù)據(jù)點(diǎn)構(gòu)成，兩個(gè)數(shù)據(jù)點(diǎn)之間連線邊的權(quán)重大小代表了這兩個(gè)數(shù)據(jù)點(diǎn)的相似性程度。筆者將主動(dòng)選擇所構(gòu)造的最新標(biāo)記樣本集L與影像全體未標(biāo)記樣本集T組 合，即X＝［L；T］＝ ｛x1，x2，…，xl，xl＋1，...，xl＋u｝，l、u分別為影像I中最新標(biāo)記樣本數(shù)目與剩余未標(biāo)記樣本數(shù)目，并構(gòu)造與之對(duì)應(yīng)的標(biāo)記矩陣Y。假設(shè)有3種地物類別，那么Y的行 向 量 可 能 是［1，0，0］、［0，1，0］、［0，0，1］或［0，0，0］的任何一種。具體的分類算法如下。

（1）按照兩兩樣本間均有邊相連接的構(gòu)圖方式形成圖G，采用歐氏距離度量樣本點(diǎn)之間的距離以及高斯徑向基核函數(shù)（RBF）賦權(quán)值公式，給圖G的邊賦權(quán)值

式中，σ為高斯核寬，取值區(qū)間為［10－3，103］。為避免樣本自相關(guān)，需將權(quán)陣W對(duì)角線上元素化為0。

（2）為使算法快速收斂，進(jìn)一步對(duì)權(quán)陣W進(jìn)行如下形式的標(biāo)準(zhǔn)化處理

（3）計(jì)算分類函數(shù)

式中，α是［0，1］之間的參數(shù)，調(diào)節(jié)樣本鄰域信息與初始標(biāo)記Y所占比重。F為m×c的矩陣，F(xiàn)ij為樣本點(diǎn)xi被分為第j類標(biāo)記的可能性大小，即就是樣本點(diǎn)xi的最終標(biāo)記信息。

4 試驗(yàn)結(jié)果與分析

在Matlab R2011b平臺(tái)下，以3組高光譜影像數(shù)據(jù)集來驗(yàn)證本文方法的有效性，試驗(yàn)從總精度OA、Kappa系數(shù)方面進(jìn)行量化分析，且每一OA值和Kappa值均采用10次試驗(yàn)結(jié)果的平均值。

4.1 試驗(yàn)數(shù)據(jù)

數(shù)據(jù)1：Pavia University數(shù)據(jù)（以下簡(jiǎn)稱PaviaU數(shù)據(jù)），為ROSIS高光譜傳感器系統(tǒng)在意大利南部的Pavia市的Pavia University上空拍攝的，數(shù)據(jù)大小為610像素×340像素，除去噪聲波段，圖像包含有103個(gè)連續(xù)波段，空間分辨率為1.3m，該地區(qū)共包含9種地物，各類地物真實(shí)標(biāo)記如圖3（a）所示。

數(shù)據(jù)2：Pavia Center數(shù)據(jù)（以下簡(jiǎn)稱PaviaC數(shù)據(jù)），為PaviaU的同源影像，數(shù)據(jù)大小為1096像素×715像素，除去噪聲波段，圖像共包含有102個(gè)光譜波段，分辨率為1.3m。該地區(qū)也包含9種地物，各類地物真實(shí)標(biāo)記如圖4（a）所示。

數(shù)據(jù)3：Indian Pines數(shù)據(jù)，為AVIRIS傳感器系統(tǒng)在美國(guó)印第安納州西北部的Indian Pines測(cè)試站上空拍攝獲取，數(shù)據(jù)大小為145像素×145像素，除去噪聲波段，圖像包含有200個(gè)光譜波段，分辨率為20m。由于網(wǎng)上提供的某些地物類別的已知標(biāo)記數(shù)據(jù)過少，棄之而對(duì)該地區(qū)按9種地物類型分類處理［13］，各類地物真實(shí)標(biāo)記如圖5（a）所示。

這3個(gè)數(shù)據(jù)均是網(wǎng)上的公共數(shù)據(jù)，并提供了大量已標(biāo)記好的樣本。為了對(duì)本文算法進(jìn)行驗(yàn)證，將這些已標(biāo)記好的樣本分成兩部分進(jìn)行試驗(yàn)設(shè)置，即3.1節(jié)中的起初少量的標(biāo)記樣本L和起初未標(biāo)記樣本U，因此可通過得到從U中選擇的目標(biāo)像元在原始影像中的位置，得到像元的真實(shí)標(biāo)記；標(biāo)記樣本集構(gòu)造之后，將其與剩余未標(biāo)記樣本集U組合用于圖的半監(jiān)督分類。同時(shí)，由于起初的標(biāo)記樣本較少，訓(xùn)練出來的模型不準(zhǔn)確，進(jìn)而導(dǎo)致樣本分類的后驗(yàn)概率置信度不高，因此，主動(dòng)選擇過程中每次迭代選取的樣本數(shù)目不能太多，而如若迭代次數(shù)過多，則會(huì)增加計(jì)算負(fù)荷。基于這兩點(diǎn)考慮，本文將循環(huán)次數(shù)選定為18次，在每一循環(huán)中選取15個(gè)目標(biāo)樣本。

4.2 主動(dòng)選擇樣本、隨機(jī)選擇樣本的圖的半監(jiān)督與SVM方法比較

將本文方法（active learning with graph－based semi－supervised method，AL＋Semi－supervise）與隨機(jī)選擇樣本的圖的半監(jiān)督方法（randomly－selective graph－based semi－supervised method，RS＋Semisupervise）、主動(dòng)選擇樣本SVM（active learning with SVM，AL＋SVM）及隨機(jī)選擇樣本SVM（randomly－selective SVM，RS＋SVM）等3種算法作比較。隨機(jī)選擇樣本時(shí)，選取450個(gè)樣本（即50個(gè)/類，共9種地物類別）作為標(biāo)記樣本；主動(dòng)選擇樣本時(shí)，起初每類隨機(jī)選取20個(gè)樣本作為標(biāo)記樣本，據(jù)此訓(xùn)練得到SVM模型，并預(yù)測(cè)未標(biāo)記樣本可能被分為各類的后驗(yàn)概率，依據(jù)BvSB準(zhǔn)則選擇15個(gè)最大與次最大類別概率差最小的樣本并給予人工標(biāo)注，并將它們加入到標(biāo)記樣本集中，同時(shí)從未標(biāo)記樣本中剔除，然后重新訓(xùn)練模型、做預(yù)測(cè)及選擇樣本，該過程循環(huán)18次，最終同樣選擇450個(gè)樣本。對(duì)于算法中涉及的σ和α兩個(gè)參數(shù)，試驗(yàn)中分別取值為3和0.99。

PaviaU試驗(yàn) 4種不同方法的分類結(jié)果見表1，視覺對(duì)比效果如圖3所示。從表1可以看出，首先，旋轉(zhuǎn)不變的空譜特征極大地改善了分類效果，較光譜特征的分類精度產(chǎn)生巨大提升。隨著空間窗口尺寸的增加，各類方法的分類精度在不斷提升，說明PaviaU影像存在大量連續(xù)的光譜同質(zhì)性區(qū)域，但由于窗口過大會(huì)引起計(jì)算負(fù)荷急劇增加，故本文沒有繼續(xù)增加窗口試驗(yàn)；其次，半監(jiān)督方法比監(jiān)督方法的分類結(jié)果要好：在不同尺寸的空間窗口下，RS＋Semi－supervise方法比RS＋SVM方法的分類總精度高2.44%～8.29%，AL＋Semi－supervise比 AL＋SVM 總精度高2.52%～4.99%，可見未標(biāo)記樣本的引入提高了分類效果；然后，AL＋Semi－supervise比 RS＋Semi－supervise方法分類總精度高1.55%～5.55%，AL＋SVM比RS＋SVM分類總精度高4.16%～5.47%，可知主動(dòng)學(xué)習(xí)不僅可以改善監(jiān)督分類算法，而且能使半監(jiān)督分類方法有很大提升；最后，本文方法將主動(dòng)學(xué)習(xí)算法與圖的半監(jiān)督方法有效結(jié)合，產(chǎn)生了高精度、穩(wěn)定的高光譜影像分類結(jié)果。從圖3也可以看出，本文方法的分類效果較好。

PaviaC試驗(yàn) 4種不同方法的分類結(jié)果見表2，其視覺對(duì)比效果如圖4所示。

圖3 PaviaU分類試驗(yàn)圖Fig.3 Claasification graph of PaviaU

表1 PaviaU測(cè)試集上的分類精度Tab.1 Classification accuracy for PaviaU on the test set

表2 PaviaC測(cè)試集上的分類精度Tab.2 Classification accuracy for PaviaC on the test set

由表2可以看出，4種分類方法對(duì)PaviaC影像的分類效果都很好，分類總精度都達(dá)到97%以上，由此可以說明，PaviaC影像的光譜可區(qū)分性極高（表中第一列數(shù)據(jù)也說明了該問題），對(duì)分類方法的要求較低。盡管如此，還是可以看出，能得到與PaviaU數(shù)據(jù)相同的結(jié)論：旋轉(zhuǎn)不變空間特征的引入，改善了僅含光譜特征的分類效果，同時(shí)，隨著窗口的不斷增加，各種方法的分類總精度呈上升趨勢(shì)，說明該影像存在大量連續(xù)的光譜同質(zhì)性區(qū)域，同樣為避免計(jì)算負(fù)荷過大，沒有繼續(xù)增加窗口試驗(yàn)；其次，RS＋Semi－supervise比RS＋SVM方法精度略高、AL＋Semi－supervise比AL＋SVM方法效果略好，可見未標(biāo)記樣本的引入提高了分類效果，同樣條件下的半監(jiān)督方法比監(jiān)督方法分類效果好；然后，可以看出主動(dòng)學(xué)習(xí)算法對(duì)PaviaC影像同樣有效，它使得SVM分類總精度提升了0.66～0.93%，使圖的半監(jiān)督算法總精度提升了0.62～0.86%，由于該影像自身辨識(shí)度較高的光譜特性，使得主動(dòng)選擇樣本的效果不太明顯，但較明顯的是在空間窗口為7時(shí)，AL＋SVM和AL＋Semi－supervise算法的總精度達(dá)到99%以上，而其他方法均沒有；最后，相比較之下，本文算法比其他3種方法還是展現(xiàn)出了一定的優(yōu)勢(shì)，分類總精度最高。各種方法的分類效果如圖4所示，由于它們的分類總精度都較高，所以視覺對(duì)比效果不明顯。

圖4 PaviaC分類試驗(yàn)圖Fig.4 Claasification graph of PaviaC

Indian Pines試驗(yàn) 4種不同方法的分類結(jié)果見表3，其視覺對(duì)比效果如圖5所示。

表3 Indian Pines測(cè)試集上的分類精度Tab.3 Classification accuracy for Indian Pines on the test set

由表3可知，與PaviaU、PaviaC相比，該數(shù)據(jù)的分類精度都不高，光譜特征的分類精度最高僅為69.40%，原因是該數(shù)據(jù)地面作物極為相似，地物交叉較為嚴(yán)重，光譜可辨識(shí)度較低。隨著空間窗口尺寸的不斷增加，各種方法的分類精度均得以提升12%左右，說明該數(shù)據(jù)存在光譜同質(zhì)性區(qū)域，同時(shí)也證實(shí)了旋轉(zhuǎn)不變空譜特征表達(dá)的有效性；RS＋Semi－supervise比RS＋SVM 總精度高5.43%～6.81%，AL＋Semi－supervise比 AL＋SVM總精度高4.40%～5.59%，可見引入未標(biāo)記樣本的半監(jiān)督方法比監(jiān)督方法分類結(jié)果明顯要好；AL＋SVM 比RS＋SVM 分類總精度高4.99%～5.84%，AL＋Semi－supervise比 RS＋Semi－supervise方法分類總精度高1.78%～2.71%，可見主動(dòng)學(xué)習(xí)的引入極大地改善了分類效果，尤其是在窗口為7時(shí)，AL＋Semi－supervise的分類總精度和Kappa精度分別達(dá)到91.05%和89.45%，而其他方法分類總精度均未能超過90%；由圖5也可以看出，本文方法的分類效果最好。

圖5 Indian Pines分類試驗(yàn)圖Fig.5 Claasification graph of Indian Pines

4.3 樣本數(shù)目的選擇與討論

3幅影像中，每類別選取10、20、30、40、50、60個(gè)樣本的基于空－譜特征的圖的半監(jiān)督分類結(jié)果見表4。可見，隨著每類樣本數(shù)目增多，分類精度在不斷提升，在每類50個(gè)樣本時(shí)，各數(shù)據(jù)分類精度分別達(dá)到95%、98%及88%以上，已滿足分類需要，且當(dāng)每類60個(gè)樣本時(shí)，分類精度僅小幅度提升，但計(jì)算負(fù)荷卻大大增加。因此，試驗(yàn)中每類樣本選擇50個(gè)。3組試驗(yàn)的主動(dòng)學(xué)習(xí)構(gòu)造的訓(xùn)練集的樣本個(gè)數(shù)，以及其后用于圖的半監(jiān)督的未標(biāo)記樣本數(shù)目，見表5。

表4 不同數(shù)目樣本的圖的半監(jiān)督分類結(jié)果Tab.4 Classification accuracy for semi－supervised graphbased method of different scale samples

表5 標(biāo)記樣本數(shù)目與用于圖的半監(jiān)督的未標(biāo)記樣本集U的樣本數(shù)目Tab.5 The number of labeled samples and unlabelled samples U for semi－supervised graph－based method

5 結(jié)論與展望

本文針對(duì)高光譜影像分類，提出了一種主動(dòng)學(xué)習(xí)與圖的半監(jiān)督相結(jié)合的方法。試驗(yàn)表明該方法取得了較好的高光譜影像分類結(jié)果。本文方法的優(yōu)點(diǎn)為：①空－譜特征提取算法簡(jiǎn)單而有效，且特征具有旋轉(zhuǎn)不變性；②結(jié)合主動(dòng)學(xué)習(xí)BvSB準(zhǔn)則構(gòu)造標(biāo)記樣本集，選擇類別邊界的樣本予以標(biāo)定，從而有利于分類器的邊界構(gòu)造，提高模型準(zhǔn)確性；③半監(jiān)督分類器，在較少標(biāo)記樣本可用情況下，通過引入易獲取的未標(biāo)記樣本，可改善分類效果，避免資源浪費(fèi)。本文方法仍存在待改善之處，可考慮更多的主動(dòng)學(xué)習(xí)算法，并嘗試其他半監(jiān)督分類方法，以期用更少的標(biāo)記樣本、更少的人工參與，達(dá)到更為理想的分類效果。

［1］PENN B S.Using Simulated Annealing to Obtain Optimal Linear End－member Mixtures of Hyperspectral Data［J］.Computers ＆ Geosciences，2002，28（7）：809－817.

［2］RICHARDS J A.Remote Sensing Digital Image Analysis［M］.Berlin：Springer，1999.

［3］LI Hui，WANG Yunpeng，LI Yan，et al.Unmixing of Remote Sensing Images Based on Support Vector Machines and Pairwise Coupling［J］.Acta Geodaetica et Cartographica Sinica，2009，38（4）：318－323.（李慧，王云鵬，李巖，等.基于SVM和PWC的遙感影像混合像元分解［J］.測(cè)繪學(xué)報(bào)，2009，38（4）：318－323.）

［4］JIN Jing，ZOU Zhengrong，TAO Chao.Compressed Texton Based High Resolution Remote Sensing Image Classification［J］.Acta Geodaetica et Cartographica Sinica，2014，43（5）：493－499.（金晶，鄒崢嶸，陶超.高分辨率遙感影像的壓縮紋理元分類［J］.測(cè)繪學(xué)報(bào)，2014，43（5）：493－499.）

［5］GUO Xiujuan，YUAN Yue，F(xiàn)AN Xiaoou.Analysis and Application of Fuzzy Clustering Algorithm［J］.Journal of Jilin Institute of Architecture ＆Civil Engineering，2009，26（4）：79－81.（郭秀娟，袁月，范小鷗.模糊聚類算法分析及應(yīng)用［J］.吉林建筑工程學(xué)院學(xué)報(bào)，2009，26（4）：79－81.）

［6］BOVOLO F，BRUZZONE L，CARLIN L.A Novel Technique for Subpixel Image Classification Based on Support Vector Machine［J］.IEEE Transactions on Image Processing，2010，19（11）：2983－2999.

［7］ZHU X J.Semi－supervised Learning Literature Survey［OL/EB］.Wisconsin：University of Wisconsin，2008.［2013－11－23］.http：∥ pages.cs.wisc.edu/～jerryzhu/research/ssl/semireview.html.

［8］TUIA D，CAMPS－VALLS G.Semisupervised Remote Sensing Image Classification with Cluster Kernels［J］.IEEE Transactions on Geoscience and Remote Sensing Letters，2009，6（2）：224－228.

［9］LIU Xiaofang，HE Binbin，LI Xiaowen.Classification for Beijing－1Micro－satellite’s Multispectral Image Based on Semi－supervised Kernel FCM Algotithm［J］.Acta Geodaetica et Cartographica Sinica，2011，40（3）：301－306.（劉小芳，何彬彬，李小文.基于半監(jiān)督核模糊c－均值算法的北京一號(hào)小衛(wèi)星多光譜圖像分類［J］.測(cè)繪學(xué)報(bào)，2011，40（3）：301－306.）

［10］DOPIDO I，LI J，PLAZA A，et al.Semi－supervised Classification of Hyperspectral Data Using Spectral Unmixing Concepts［C］∥Proceedings of the 2012Tyrrhenian Workshop on Advances in Radar and Remote Sensing.Naples：IEEE，2012：353－358.

［11］BRUZZONE L，CHI M，MARCONCINI M.A Novel Transductive SVM for Semisupervised Classification of Remote－sensing Images［J］.IEEE Transactions on Geoscience and Remote Sensing，2006，44（11）：3363－3373.

［12］DóPIDO I，LI J，MARPU P R，et al.Semisupervised Selflearning for Hyperspectral Image Classification［J］.IEEE Transactions on Geoscience and Remote Sensing，2013，51（7）：4032－4044.

［13］CAMPS－VALLS G，BANDOS MARSHEVA T，ZHOU D.Semi－supervised Graph－based Hyperspectral Image Classification［J］.IEEE Transactions on Geoscience and Remote Sensing，2007，45（10）：3044－3054.

［14］GU Y F，F(xiàn)ENG K.L1－graph Semisupervised Learning for Hyperspectral Image Classification［C］∥ Proceedings of the 2012IEEE International Geoscience and Remote Sensing Symposium.Munich：IEEE，2012：1401－1404.

［15］JOSHI A J，PORIKLI F，PAPANIKOLOPOULOS N.Multi－class Active Learning for Image Classification［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Miami，F(xiàn)L：IEEE，2009：2372－2379.

［16］HOTELLING H.Analysis of A Complex of Statistical Variables into Principal Components［J］.Journal of Educational Psychology，1933，24（6）：417－441.

［17］TUIA D，VOLPI M，COPA L，et al.A Survey of Active Learning Algorithms for Supervised Remote Sensing Image Classification［J］.IEEE Journal of Selected Topics in Signal Processing，2011，5（3）：606－617.

［18］CRAWFORD M M，TUIA D，YANG H L.Active Learning：Any Value for Classification of Remotely Sensed Data？［J］.Proceedings of the IEEE，2013，101（3）：593－608.

［19］LONG Jun，YIN Jianping，ZHU En，et al.An Active Learning Algorithm by Selecting the Most Possibly Wrong－Predicted Instances［J］.Journal of Computer Research and Development，2008，45（3）：472－478.（龍軍，殷建平，祝恩，等.選取最大可能預(yù)測(cè)錯(cuò)誤樣例的主動(dòng)學(xué)習(xí)算法［J］.計(jì)算機(jī)研究與發(fā)展，2008，45（3）：472－478.）

［20］LAN Yuandong.Research on Theory，Algorithms and Application of Graph－based Semi－supervised Learning［D］.Guangzhou：South China University of Technology，2012.（蘭遠(yuǎn)東.基于圖的半監(jiān)督學(xué)習(xí)理論、算法及應(yīng)用研究［D］.廣州：華南理工大學(xué)，2012.）