曹峰，李文濤，駱劍承，李德玉,3，錢宇華,3,4，白鶴翔，張超

1.山西大學計算機與信息技術(shù)學院（大數(shù)據(jù)學院），山西 太原 030006；

2.中國科學院空天信息創(chuàng)新研究院遙感科學國家重點實驗室，北京 100101；

3.山西大學計算智能與中文信息處理教育部重點實驗室，山西 太原 030006；

4.山西大學大數(shù)據(jù)與產(chǎn)業(yè)研究院，山西 太原 030006

0 引言

隨著高光譜遙感技術(shù)的飛速發(fā)展，高光譜遙感圖像數(shù)據(jù)日益豐富，面向大規(guī)模高光譜遙感圖像進行信息處理和信息提取，已成為大數(shù)據(jù)時代對地觀測的重要手段。高光譜遙感圖像分類作為高光譜遙感圖像信息處理和信息提取的主要研究方向之一，已被廣泛應用于地質(zhì)制圖、植被調(diào)查、城市規(guī)劃、軍事偵查和環(huán)境監(jiān)測等領域。高光譜遙感圖像包含豐富的光譜和空間信息[1]，可以更加細致地區(qū)分不同類型地物之間的差異，實現(xiàn)地物的精準分類。因此，結(jié)合光譜和空間特征的光譜-空間分類算法研究已成為當前高光譜遙感圖像分類研究的熱點[2]。

高光譜遙感圖像光譜-空間分類算法主要包括3類：有監(jiān)督、無監(jiān)督以及半監(jiān)督[3-4]。有監(jiān)督分類算法基于有標記像元的光譜和空間特征構(gòu)建分類器，并對未標記像元進行分類。無監(jiān)督分類算法（通常稱為聚類）不對像元進行類別標注，僅通過計算不同像元之間光譜和空間特征的差異來實現(xiàn)像元的分類[5]。因為有監(jiān)督分類算法利用了像元的標記信息，所以往往可以獲得比無監(jiān)督分類算法更優(yōu)的分類性能。但是，對像元進行正確標記需要借助專家經(jīng)驗，甚至需要進行實地調(diào)研，因此會付出大量的人力和時間成本。尤其是當面向大數(shù)據(jù)量的高光譜遙感圖像分類任務時，獲取大量標記樣本變得尤為困難。半監(jiān)督分類算法利用少量有標記像元和大量無標記像元進行分類器訓練，既可以彌補有監(jiān)督分類算法的不足之處，又可以獲得更優(yōu)的分類性能。

高光譜遙感圖像光譜-空間半監(jiān)督分類研究受到了眾多學者的普遍關(guān)注，并取得了一系列的研究成果。當前，光譜-空間半監(jiān)督分類研究主要包括基于圖、基于自訓練和基于集成學習的半監(jiān)督分類算法?；趫D的半監(jiān)督分類以所有樣本為節(jié)點、以樣本相似度為邊的權(quán)重構(gòu)造圖模型，類標記通過圖結(jié)構(gòu)逐步傳遞至圖中的其他樣本。程志會等[6]提出了基于空間特征與紋理特征的高光譜圖像半監(jiān)督分類算法，將空間特征與紋理特征相結(jié)合，并利用圖進行半監(jiān)督分類。何浩等[7]提出了空間-光譜約束的圖半監(jiān)督高光譜圖像分類算法，將樣本的空間相似性與光譜相似性相結(jié)合，并用相似性測度進行約束，進而基于圖進行半監(jiān)督分類?；谧杂柧毜陌氡O(jiān)督分類算法，通過有標記樣本訓練出來的分類器對無標記樣本進行預測，選擇高置信度的“偽標記”樣本加入訓練集并不斷迭代更新分類器，直至收斂。王俊淑等[8]在自訓練迭代訓練過程中，用最近鄰域規(guī)則的數(shù)據(jù)剪輯策略對誤標記樣本進行過濾，提出了高光譜遙感圖像DE-self-training半監(jiān)督分類算法。王春陽[9]提出了基于信息熵的自訓練半監(jiān)督高光譜遙感影像分類算法，利用多分類Logistic算法得到類別概率信息，然后利用Renyi熵理論對無標記標簽進行標注，擴充訓練集后再進行迭代并預測分類。基于集成學習的半監(jiān)督分類算法訓練若干個基分類器，并通過一定的集成策略獲得分類能力更強的學習器。Romaszewski M等[10]受到視頻物體跟蹤算法的啟發(fā)，基于光譜特征和空間特征分別設計了兩個分類器，共同組成Cotraining模型。Tri-training作為一種經(jīng)典的基于分歧的集成學習方法，十分適用于高光譜圖像分類等多分類問題。王立國等[11]提出了基于改進Tri-training的高光譜圖像半監(jiān)督分類算法，在高光譜圖像處理的各個環(huán)節(jié)均引入了空間信息。在基于Tri-training的光譜-空間高光譜遙感圖像半監(jiān)督分類研究中，研究者發(fā)現(xiàn)差異化的Tri-training基分類器即組合3種基于不同理論或方法的基分類器，可以獲得穩(wěn)定性和泛化性較好的分類模型[11-12]，因此得到了廣泛使用。

Tri-training算法試圖通過少量的初始有標記樣本來學習較為完整的分類規(guī)則，故在擴充訓練集的過程中難免會產(chǎn)生錯分的情況，帶有錯誤標記的樣本進入訓練集后會進一步影響正確分類規(guī)則的學習，從而嚴重影響分類結(jié)果。基于此，本文提出了一種融合光譜度量（spectral measure，SM）標記遷移和Tri-training的高光譜遙感圖像光譜-空間半監(jiān)督分類算法（簡記SMT）。該算法充分利用高光譜遙感圖像的光譜和空間特征，通過光譜度量標記遷移修正Tri-training算法來擴充樣本的類標記，降低擴充樣本的錯分率，進而提高半監(jiān)督分類算法的精度。

1 Tri-training 半監(jiān)督分類算法

Tri-training算法又被稱為三重訓練算法[13]，是在Co-training算法基礎上發(fā)展起來的半監(jiān)督協(xié)同訓練分類算法。該算法重復訓練3個基分類器，直到3個基分類器的分類結(jié)果不再變化時，算法的訓練過程停止。Tri-training算法利用集成學習的思想進行未標記樣本擴充，這種策略提高了未標記樣本標記預測的置信度。與Goldman S提出的僅靠一個分類器來檢測另一個分類器的經(jīng)典Co-training算法[14]相比，Tri-training算法不但更加可靠有效，且無須進行交叉驗證。Tri-training算法對基分類器的選擇并沒有特定要求，但研究表明，當3個基分類器不同時，該算法的預測精度和泛化性能往往更優(yōu)。Tritraining算法通過計算樣本錯誤率來改善錯誤分類的問題，然而當錯誤率滿足更新條件時依然存在錯分樣本進入訓練集的風險[15]。Tri-training算法的偽代碼如算法1所示：

算法1Tri-training

Input:L:初始有標記樣本集U:無標記樣本集Learn:機器學習算法

Output:h(x)

1 fori∈{1,…,3}do

3 end for

4 repeat until none ofhi(i∈{1,…,3})changes

5 fori∈{1,…,3}do

6Li←?;

8 ifhj(x)=hk(x)(j,k≠i)then

9 end if

10 end for

12 end if

16 end if

17 end if

18 end if

19 end if

20 end for

21 fori∈{1,…,3}do

22 if updatei=TUREthenhi←Learn

23 end for

24 end repeat

25 for restx∈Udo

27 end for

高光譜遙感圖像數(shù)據(jù)具有自身的一些特點，如豐富的光譜信息和空間信息；同類地物光譜特征相似，異類地物光譜特征不同；存在空間相關(guān)性和異質(zhì)性等。當Tritraining算法應用于高光譜遙感圖像分類任務時，如何充分利用圖像自身特性并結(jié)合算法的強大分類性能來設計更加高效的半監(jiān)督分類方法，并進一步提升高光譜遙感圖像的分類效果成為一項有意義的研究工作。

2 融合光譜度量標記遷移和Tritraining的高光譜遙感圖像半監(jiān)督分類算法

高光譜遙感圖像同類地物之間具有較強的光譜相似性，而不同地物之間的光譜差異性則相對較大。另外，不同的光譜特征包含的信息量也具有差異性，因此，光譜特征在區(qū)分不同地物時發(fā)揮的作用不同。除了光譜特征，高光譜遙感影像還具有豐富的空間特征。基于此，本文充分利用光譜相似性、光譜信息量的差異性以及高光譜遙感影像的空間特征，通過集成Tri-training算法，提出了融合光譜度量標記遷移和Tri-training的高光譜遙感圖像半監(jiān)督分類算法，通過定義光譜度量來刻畫樣本之間的相似性，將基于光譜度量的標記遷移和Tri-training的基分類器相結(jié)合，減少錯分樣本進入訓練集的風險。SMT算法將提高基于Tri-training算法的高光譜遙感圖像分類的精度。融合光譜度量標記遷移和Tri-training的半監(jiān)督分類算法流程如圖1所示。

圖1 融合光譜度量標記遷移和Tri-training的半監(jiān)督分類算法流程

2.1 基于相關(guān)性度量的光譜特征重要性排序

光譜特征是高光譜遙感圖像區(qū)分地物類別的主要特征，然而不同的光譜特征對分類的作用存在差異性。為了更好地區(qū)分這種差異，本文引入了基于相關(guān)性度量特征的重要性指標Merit（式（1））[16]，用來評價不同光譜特征的重要性并據(jù)此進行光譜特征排序。一個重要的特征應該與類標記之間具有較強的相關(guān)性，與其他特征具有較弱的相關(guān)性。Merit基于該思想，通過計算特征與類標記以及特征與特征之間的相關(guān)性來評價不同的特征對分類的重要性。

其中，k是已選特征子集中的特征數(shù)；表示特征和類標記之間相關(guān)性的平均值；表示特征和特征之間相關(guān)性的平均值。

特征和類標記以及特征和特征之間的相關(guān)性定義如下：

I(?)表示兩個隨機變量之間的互信息，H(?)表示單個隨機變量的信息熵。

2.2 基于光譜度量的標記遷移

高光譜遙感圖像具有極高的光譜相似性，一般情況下，光譜特征相近的兩個像元極有可能屬于同類地物。本文通過定義光譜度量來評價兩個像元之間光譜特征的差異，實現(xiàn)有標記像元到無標記像元的標記遷移。無標記像元u與類標記為c的像元v的光譜度量定義如下：

其中，k為波段數(shù)，σi為第i個波段的權(quán)重，dui為像元u在第i個波段的取值，表示類標記為c的像元v在第i個波段的取值。

考慮到光譜特征具有不同的分類能力，本文在定義光譜度量時對不同波段的光譜特征進行加權(quán)。對分類能力較強的波段賦予較大的權(quán)值，而對分類能力較弱的賦予較小的權(quán)值。對k個波段的光譜特征按照式（1）的相關(guān)性度量進行重要性排序后，其權(quán)值設定為：

當類標記取不同值時，未標記像元u的類y定義為：

即選擇光譜度量值最小的類作為待分類像元的類標記。

2.3 光譜-空間特征的結(jié)合

高光譜遙感圖像不僅包含豐富的光譜信息，還包含豐富的空間信息。融合了光譜和空間特征的分類算法輸入的分類信息更加豐富，因此可以獲得更優(yōu)的分類性能。紋理特征是高光譜遙感圖像相鄰像元或相鄰區(qū)域內(nèi)幾何位置等相互關(guān)系的表征，是一種重要的空間特征?；叶裙采仃囃ㄟ^計算圖像各像元灰度級之間的聯(lián)合條件概率表示紋理，可以提取多種紋理特征[17]。本文利用灰度共生矩陣提取了對比度、熵、二階矩和反差分矩陣4種重要紋理特征，結(jié)合光譜特征和紋理特征，構(gòu)建基于光譜-空間特征的高光譜遙感圖像半監(jiān)督分類算法。

對比度（contrast）反映了圖像的清晰度和紋理的溝紋深淺，如式（7）所示。紋理越清晰、反差越大，對比度也就越大。

熵（entropy）度量了圖像包含的隨機性，表現(xiàn)了圖像的復雜程度，如式（8）所示。當灰度共生矩陣所有值均相等或像素值表現(xiàn)出最大的隨機性時，熵最大。

二階矩（angular second moment，ASM）又稱能量，是圖像灰度分布均勻程度和紋理粗細的一個度量，如式（9）所示。當圖像紋理均一且規(guī)則時，能量值較大；反之，灰度共生矩陣的元素相近時，能量值較小。

反差分矩陣（inverse differential moment，IDM）又稱逆方差，反映了紋理的清晰程度和規(guī)則程度，如式（10）所示。紋理清晰、規(guī)律性較強時，逆方差值較大。

2.4 基于空間相關(guān)性的樣本擴充

Tri-training算法在擴充訓練樣本的過程中，采用隨機策略選擇未標記樣本，并不區(qū)分未標記樣本之間的差異。高光譜遙感圖像數(shù)據(jù)是空間地理實體的描述數(shù)據(jù)，具有很強的空間相關(guān)性。因此，本文基于高光譜遙感圖像數(shù)據(jù)的空間相關(guān)性，以相近相似原理為理論依據(jù)，優(yōu)先選擇已標記樣本的鄰接像元進行標記擴充，增強樣本擴充過程中標記的準確性。圖2展示了基于空間相關(guān)性的樣本擴充過程，可以看出，標記像元n個鄰域的全部未標記像元優(yōu)先進入擴充樣本集。

圖2 基于空間相關(guān)性的樣本擴充方法示意

2.5 融合光譜度量標記遷移和Tritraining的半監(jiān)督分類算法

當初始有標記樣本數(shù)量較少時，Tritraining算法會存在兩個分類器出現(xiàn)相同錯分結(jié)果的現(xiàn)象，此時的待測樣本會被標記為錯誤的類別，并進入訓練集參與分類器的訓練，從而影響分類效果。本文將光譜度量標記遷移和Tri-training算法相融合，當兩個分類器與光譜度量的預測類別一致時，待測樣本才會被標記為該類別，并進入訓練集，直到訓練集不再發(fā)生變化，迭代過程停止。本文所提算法的偽代碼如算法2所示。

算法2融合光譜度量標記遷移和Tri-training的SMT算法

Input:L:初始標記樣本集，U: 無標記樣本集，Learn: 機器學習算法，More:空間鄰域樣本擴充方法，CFS: 基于CFS的特征排序算法，k:光譜維數(shù)，M: 光譜特征集，dp：光譜特征p∈(0,k)，

SM: 光譜度量算法, GLCM: 灰度共生矩陣算法,M′：排序后的光譜特征集，σp：光譜權(quán)值,

Con、Ent、ASM、IDM：紋理特征，TT：Tri-training算法各分類器分類結(jié)果，Vote：絕對多數(shù)投票法

Output: C

1M′←CFS(M)，

2 Con, Ent, ASM, IDM←GLCM（dp）(p∈{0,…,4})

3M′←M′∪Con∪Ent∪ASM∪IDM

4 forp∈[0,k]

5if () then

7 end if

8 end for

9 fori∈{1,…,3}do

11 end for

12UL←More(S1,S2,S3)

13 repeat until none ofhi(i∈{1,…,3})changes

14 forx∈ULdo

15cj,ck←TT(x) ;y←SM(x)

16ci←Vote（cj，ck，y）

17Li←Li∪{(x,c）}

18 end for

19 fori∈{1,…,3}do

20hi←Learn(Si∪Li)

21 end for

22 end repeat

23 for everyx∈Udo

24ci,cj,ck←TT(x) ; y ←SM(x)

25c←Vote（ci,cj,ck,y）

26 end for

3 實驗設計與結(jié)果分析

3.1 實驗數(shù)據(jù)

Indian Pines數(shù)據(jù)集是由AVIRIS傳感器拍攝的一幅美國西北部印第安納州的高光譜遙感圖像的一部分，如圖3所示。其圖像大小為145×145（空間分辨率為200 m），圖像共有16個地物類別、220個波段。其中，第104~108個、第150~163個和第220個波段不能被水反射，在經(jīng)過修正后，去除了其中20個低信噪比的波段，最終共有200個波段參與實驗。

圖3 Indian Pines高光譜遙感圖像

Pavia University數(shù)據(jù)集是由ROSIS光學傳感器拍攝的意大利帕威亞大學的高光譜遙感圖像，如圖4所示。圖像大小為610×340（空間分辨率為1.3 m），圖像共有9個地物類別、115個波段。在經(jīng)過修正后，去除了12個受噪聲影響嚴重的波段，最終共有103個波段參與實驗。

圖4 Pavia University高光譜遙感圖像

3.2 實驗設置

使用本文提出的融合光譜度量和Tritraining的高光譜遙感圖像半監(jiān)督分類算法對以上兩個數(shù)據(jù)集進行分類。為了確保實驗的準確性，對每個數(shù)據(jù)集分別進行10次獨立重復實驗，獲得分類結(jié)果的總體分類精度（overall accuracy，OA）、平均分類精度（average accuracy，AA）和Kappa系數(shù)的平均值并將其作為算法性能的評價指標。

本文實驗中SMT-RSK表示所提算法中Tri-training算法的基分類器為SVM（支持向量機）、RF（隨機森林）和KNN（最近鄰分類器）。SMT-RF、SMT-SVM和SMT-KNN表示SMT算法中，Tri-training算法分別使用的是3個RF、3個SVM和3個KNN基分類器。T-RF、T-SVM和T-KNN分別表示使用3個RF、3個SVM和3個KNN基分類器的Tri-training算法。實驗對比了SMT與Tri-training算法當基分類器不同時分類性能的差異。

3.3 實驗結(jié)果和分析

3.3.1 Indian Pines數(shù)據(jù)集的實驗結(jié)果與分析

為了驗證本文所提SMT算法的有效性，首先對不同集成方式下的多種半監(jiān)督分類算法在Indian Pines數(shù)據(jù)集上的分類性能進行了對比。分類結(jié)果如圖5所示，分類結(jié)果的OA、AA和Kappa系數(shù)見表1所示。由表1可以看出，融合光譜度量的SMT-RSK算法的OA值比未融合光譜度量的Tri-training算法T-RSK的OA值提高了8.98%。融合了光譜度量和單一基分類器Tri-training的SMT-RF、SMT-SVM和SMT-KNN算法的OA值比未融合光譜度量的T-RF、T-SVM和T-KNN算法分別提高了8.3%、9.8%、9.28%。SMT-RSK算法的AA值較T-RSK算法提高了8.97%，融合了光譜度量的SMTRF、SMT-SVM和SMT-KNN算法的AA值比未融合光譜度量的T-RF、T-SVM和T-KNN算法分別提高了7.64%、9.33%、9.7%。對比Kappa系數(shù)，SMT-RSK比T-RSK提高了0.108，SMT-RF、SMT-SVM和SMT-KNN比T-RF、T-SVM和T-KNN算法分別提高了0.1389、0.1348、0.1231。由此可見，融合光譜度量和Tri-training算法的半監(jiān)督分類算法在Indian Pines數(shù)據(jù)集上取得了良好的分類性能。

表1 Indian Pines數(shù)據(jù)集在不同集成方式下的多種半監(jiān)督分類算法分類結(jié)果

此外，本文還將所提算法與其他高光譜圖像半監(jiān)督分類算法，如CMSI[18]、3CLL[19]、LGC[6]、SFCM[20]、MT[21]算法在Indian Pines數(shù)據(jù)集上的分類性能進行了對比，結(jié)果見表2，本文算法得到的分類結(jié)果在各方面大多優(yōu)于CMSI、LGC、SFCM、MT算法。雖然在總體分類精度（OA）上略低于3CLL算法，但本文算法的各類別平均分類精度（AA）高于3CLL算法（約2%）。

表2 Indian Pines數(shù)據(jù)集在不同半監(jiān)督分類算法下的分類結(jié)果對比

3.3.2 Pavia University數(shù)據(jù)集的實驗結(jié)果與分析

為了進一步驗證本文所提算法的有效性，對不同集成方式下的多種半監(jiān)督分類算法在Pavia University數(shù)據(jù)集上的分類性能進行了同樣的對比實驗。分類結(jié)果如圖6所示，分類結(jié)果的OA、AA和Kappa系數(shù)見表3。從表3可以看出，融合光譜度量后，SMT-RSK的OA值、AA值和Kappa系數(shù)比未融合光譜度量的Tritraining算法T-RSK分別提高了8.88%、8.65%和0.1059。同樣，融合了光譜度量的SMT-RF、SMT-SVM和SMT-KNN算法比T-RF、T-SVM和T-KNN算法的OA值、AA值和Kappa系數(shù)均有不同程度的提高。由此可知，融合光譜度量和Tri-training的半監(jiān)督分類算法在Pavia University數(shù)據(jù)集上同樣取得了良好的分類性能。

表3 Pavia University數(shù)據(jù)集在不同集成方式下的多種半監(jiān)督分類算法分類結(jié)果對比

圖6 Pavia University數(shù)據(jù)集在不同集成方式下的多種半監(jiān)督分類算法分類結(jié)果

本文還將所提算法與其他高光譜圖像半監(jiān)督分類算法CMSI、FWA[22]、SDME[23]、SFCM、MT在Pavia University數(shù)據(jù)集上的分類性能進行了比較，對比結(jié)果見表4?？梢钥闯觯疚乃惴ǖ玫降姆诸惤Y(jié)果在3項評價指標上均優(yōu)于對比算法。

表4 Pavia University數(shù)據(jù)集在不同半監(jiān)督分類算法下的分類結(jié)果對比

圖7對表1和表3中不同集成方式下的多種半監(jiān)督分類算法在Indian Pines和Pavia University兩個數(shù)據(jù)集上的分類結(jié)果的OA、AA和Kappa系數(shù)進行了直觀的對比，可以看出融合了光譜度量標記遷移和Tri-training的分類算法比Tritraining算法的分類性能有比較顯著的提升。當所提算法中Tri-training的基分類器不同時，分類效果最優(yōu)。

圖7 Indian Pines 和 Pavia University數(shù)據(jù)集在不同集成方式下的半監(jiān)督分類結(jié)果的總體精度（OA）、平均精度（AA）和Kappa系數(shù)對比

3.3.3 消融實驗

為了研究本文算法中光譜度量標記遷移和Tri-training算法在融合過程中發(fā)揮的作用，本文在Indian Pines和Pavia University兩個數(shù)據(jù)集上進行了消融實驗，實驗結(jié)果見表5。由表5可以看出，在兩個數(shù)據(jù)集上，使用基分類器不同的Tri-training進行分類時，分類結(jié)果的OA、AA和Kappa系數(shù)均高于使用光譜度量標記遷移進行分類時相對應的評價指標的值，表明Tritraining算法的分類性能優(yōu)于光譜度量標記遷移。而當光譜度量標記遷移和Tritraining進行融合時，分類結(jié)果的OA、AA和Kappa系數(shù)得到了較大的提升，由此可見二者的融合可以明顯改善分類的性能。

表5 消融實驗對比結(jié)果

3.3.4 重要參數(shù)對算法性能的影響分析

初始樣本數(shù)量N和擴充鄰域數(shù)n是Tritraining算法的兩個重要參數(shù)，它們的取值將直接影響算法的性能。下面以Indian Pines數(shù)據(jù)集為例，通過觀察樣本數(shù)量和擴充鄰域數(shù)的取值對總體分類精度OA的影響，探討如何獲取最優(yōu)參數(shù)值。圖8和圖9分別描述了初始樣本數(shù)量N和擴充鄰域數(shù)n與OA的關(guān)系。通過圖8可以看出，隨著初始樣本數(shù)量的增長，SMT-RSK和T-RSK算法的OA值都在不斷提升。當初始樣本數(shù)量從10增長至20時，兩種算法的OA值分別提升至0.89和0.85，提升效果顯著。之后OA值隨著初始樣本數(shù)量的增加呈緩慢上升趨勢。因此，初始樣本數(shù)量的取值設定為20，即按比例提取各類初始樣本最多不超過20個，此時總體分類精度較高且所需的有標記樣本數(shù)量較少。

圖8 初始樣本數(shù)量N與OA關(guān)系

圖9 擴充鄰域數(shù)n與OA關(guān)系

由圖9可以看出，從有標記樣本向外擴充5~7個鄰域時，總體分類精度OA提升至0.9~0.91，提升效果顯著。而當擴充8個以上鄰域時，OA值有所下降。因此，在同時滿足OA值較高且所需標記樣本數(shù)量較少的條件下，本文設定n的取值為5。

4 結(jié)束語

本文主要研究基于光譜-空間特征的高光譜遙感圖像的半監(jiān)督分類，提出了一種融合光譜度量標記遷移和Tri-training算法的半監(jiān)督分類算法。該算法綜合運用了高光譜遙感圖像的光譜特征和空間特征，以增強分類過程中樣本的區(qū)分度。在結(jié)合Tri-training算法進行有標記樣本擴充的過程中，定義了一種新的光譜度量標記遷移方法，并基于該方法增強擴充樣本標記的準確性，減少錯誤標記樣本的引入。實驗結(jié)果證明，本文算法具有良好的分類性能。

形態(tài)學特征也是高光譜遙感圖像包含的重要空間特征。形態(tài)學特征有助于選擇更具有光譜代表性及空間合理性的初始有標記像元。當高光譜圖像分類中包含的地物類別較多時，可以借助形態(tài)學特征將全局的多分類問題轉(zhuǎn)化為局部的二分類問題，更易于提高圖像分類的精度。因此，未來筆者將對融合光譜度量標記遷移和Tri-training的高光譜遙感圖像分類算法進行改進，通過融合形態(tài)學特征進一步提升圖像分類的精度。