高光谱图像数据体现为波段多、地物标签获取困难大、谱信息抗干扰能力弱等特征,容易引起维数灾难、光谱空间变异性等问题,从而影响分类器的分类精度。针对这些问题,本文将负相似信息引入到拉普拉斯支持向量机(Laplacian Support Vector Machine,Lap SVM)的流形正则化项中,提出了一种引入负相似的拉普拉斯支持向量机(Dissimilarity in Laplacian Support Vector Machine,Diss-Lap SVM)分类算法,抑制光谱空间变异对分类结果的影响。同时,本文提出利用线性近邻传播(Linear Neighborhood Propagation,LNP)算法构造图的拉普拉斯矩阵,更有效地引入无标签样本的信息。实验结果表明,本文算法的分类精度得到了提高,特别是对光谱特征相似的地物。
