利用像素对约束的半监督S2-ELM提升高光谱图像分类效果

在当前的IT领域，高光谱图像分类（Hyperspectral Image Classification, HISI）是一项关键任务，特别是在遥感科学中，对于环境监测、资源管理等方面具有重要意义。然而，传统的半监督极限学习机（Semi-supervised Extreme Learning Machine, S2-ELM）在处理高光谱图像时，由于数据标签的稀缺性，往往无法充分发挥其潜力。为了克服这一限制，本文提出了一个创新的方法——像素对约束S2-ELM（Pixel-Pairwise Constrained S2-ELM, P2S2-ELM）。 P2S2-ELM的核心在于结合了两个关键策略：一是利用流形正则化（Manifold Regularization），这是通过无标签数据挖掘潜在的结构信息，帮助模型在有限标记样本中提高泛化能力；二是引入了像素对约束（Pixel-Pairwise Constraint），这着重于增强模型对标记像素间关系的理解，有助于提升分类决策的准确性。这两种技术被整合进一个统一的优化框架内，使得模型能够在训练过程中同时考虑无标签数据和有标签样本的约束，从而学习出更加有效且具有判别性的特征映射。 与传统的S2-ELM相比，P2S2-ELM的优势在于它能够更好地利用有限的标记数据，尤其在标签稀疏的情况下，通过像素对的交互信息，提高了模型在分类任务中的表现。这种方法在实际的高光谱数据集上进行了验证，结果显示当面对少量标记样本时，P2S2-ELM展现出了显著的效率和优越性，证明了其在半监督高光谱图像分类场景中的实用性和有效性。 本文的研究为解决高光谱图像分类中的半监督问题提供了一个新的解决策略，通过融合流形正则化和像素对约束，P2S2-ELM方法有望成为未来研究中值得借鉴的重要工具，推动高光谱数据分析领域的进展。对于那些在遥感科学、地理信息系统或机器学习应用中寻求高效和准确分类解决方案的专家来说，这个方法具有很高的实用价值。