重庆大学光电技术与系统教育部重点实验室,重庆 400030
针对图的半监督聚类算法 (Semi-Supervised Graph-Based Clustering, SSGC)中出现的对先验信息利用不充分、不足以应对数据异构、计算耗时大等问题,本文提出一种基于半监督复合核的图聚类算法,并应用于高光谱图像。该算法首先通过引入半监督学习方法对径向基函数 (Radial Basis Function, RBF)进行了改进,以充分利用少量的标记样本和无标记样本;其次将 RBF核与光谱角核进行融合,构造复合核权重矩阵。在权重矩阵的构造过程中, K-近邻方法的引入也简化了计算过程。在 Indian Pine和 Botswana高光谱数据集上的实验结果表明,相对于 SSGC算法,本文算法不仅实现了更高的分类正确率,其总体分类精度提升 1%~4%,而且有效提升了运算速度。
高光谱遥感图像 聚类 半监督学习 复合核 hyperspectral remote sensing image clustering semi-supervised learning composite kernel