·400 智能系统学报 第6卷 纠正由于噪声影响或者分类器缺陷引起的孤立像素 光谱遥感图像，图像大小为145×145，取其中非耕 错分，从而提高分类精度.关于遥感图像的上下文分 犁玉米地、最小耕犁玉米地、牧草、禾木、干草、非耕 类，很多学者做了有用的探索印3]，典型的方法有 犁大豆地、最小耕犁大豆地、完全耕犁大豆地和林地 Kriging9],MRFi)、条件随机场(conditional random 9个不同类别做实验，见图1. field,CRF)方法[等.CRF是Lafftery于2001年新 提出的方法[2，Kumar31于2003年将其有效地运 用于图像的人工建筑物检测，Zhog41将其用于高 光谱遥感图像的目标检测， 3基于GP的高光谱图像分类 GP和SVM一样，也是基于核函数的方法，具有 核函数方法分类的优势.与SVM不同的是，GP具有 图1印第安纳AVIRIS第25波段 完全的Bayes公式化表示，所以能够明确地进行概 Fig.1 Hyperspectral image of AVIRIS in Indiana 92, 率建模，使结果更易于解释.更重要的是，GP的 Band 25 Bayes学习提供了一个范式，根据训练样本，从先验 2)高光谱遥感实验数据二是HYDICE传感器 分布到后验分布的转换，可以对核函数的超参数进 拍摄的华盛顿特区的某区域，该子图有500×307个 行推理，而SVM对超参数的选择却通常只能采用经 像元，210个波段，由屋顶、道路、水、草、树、人造建 验法或者交叉验证方法。 筑和阴影7个类组成，见图2. 高光谱图像具有高维非线性、空间相关性和谱 间相关性共存以及训练样本难以获得的特点；故使 用GPC时，应充分针对上述特点，将GP进行改进， 使其更适用于高光谱图像分类。 GP的核函数可以有多种不同的形式，如线性核 函数、多项式核函数、高斯核函数、指数核函数等.高 光谱图像中多个谱段的像元之间近似服从高斯分 布，故采用高斯形式核函数的GP来对高光谱图像 图2华盛顿特区HYDICE第80波段 进行分类较为合理， Fig.2 Hyperspectral image of HYDICE in Washington D.C.,Band 80 标准GP℃只利用高光谱图像的谱间相关性，并 没有利用空间相关性.CRF利用高光谱图像的空间 在基于GP的高光谱遥感分类中，图像数据表示 相关性，可以根据邻域像元将错分类孤立像元类别 成D={x,y:,x:为某个特定像元，y为像元x:的类 纠正.构造CRF和GP相结合的GPCRF分类器进行 别标签，矢量x表示高光谱像元的波段矢量，若遥感 高光谱图像分类，能够进一步提高图像分类精度. 数据光谱波段为n维，则每个x:都是n维数据. 由于高光谱图像的训练样本难以获得，在少量 3.2基于非线性核函数GP的高光谱图像分类 训练样本下进行监督GP℃，将给参数估计带来较大 高光谱图像具有高维非线性的特性，而GP是 误差，导致分类精度严重下降.考虑在遥感图像上可 一种非线性Bayes核函数方法，通过采用非线性核 以获得大量的无标记的训练样本，在GP中引入半 函数，比如高斯核函数GP可以较好地解决高光谱 监督学习思想，充分利用大量无标记样本所蕴含的 遥感图像的非线性问题.这里用线性核函数和高斯 信息辅助分类，构造半监督高斯过程(semi-super~- 核函数分别做实验进行比较 vised Gaussian process,SSGP)分类器，能够有效克 线性核函数形式为 服高光谱图像训练样本少的问题。 (x,x)= x 3.1实验数据集 高斯核函数形式为 下面将详细介绍几种笔者提出的改进的GP℃ 算法，并给出相应的高光谱图像分类实验结果.首先 (,0=ep(-2(-). 介绍一下实验采用的高光谱遥感数据. 式中：σ：和1均为超参数.用线性核函数高斯过程分 1)高光谱遥感实验数据一是AVIRIS传感器于 类方法和高斯核函数高斯过程分类方法其训练时间 1992年拍摄的220个波段印第安纳州西北区域高