针对极化合成孔径雷达(SAR)应用中存在的特征冗余问题,结合线性判别分析(LDA)和局部线性嵌入(LLE)的思想,提出一种半监督降维算法:半监督局部判别分析(SLDA)。该算法首先基于LLE的局部保持特性建立正则项,以避免学习中的过拟合问题。然后,在标记样本集上进行正则化的判别分析,以增强算法的推广能力,同时保持所有样本点在原始空间的局部几何结构。利用RADARSAT-2和AIRSAR卫星获得的Flevoland地区的全极化SAR数据进行降维实验,结果表明SLDA提取的低维特征具有“类内紧聚,类间分离”的特性;进一步的分类实验结果表明,SLDA只需1‰~2‰的标记样本就能使分类精度达到90%左右,分类性能优于其他对比方法。

针对传统的基于特征提取的高光谱图像分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种基于空谱半监督局部判别分析(S3ELD)和空谱最近邻 (SSNN) 分类器的高光谱图像分类算法。该算法结合高光谱图像的空间一致性，在利用标记样本的判别信息保持数据集可分性的基础上，定义空间近邻像元散度矩阵来保存像元的空间近邻结构，提出基于空谱距离的相似性度量并将其应用于局部流形结构的发现和SSNN的构建。S3ELD算法不仅能揭示数据集的局部几何关系，而且增强了光谱域同类像元和空间域近邻像元在低维嵌入空间的聚集性。结合SSNN进行分类，进一步提升了分类精度。利用PaviaU和Salinas数据集进行的实验结果表明，S3ELD算法的总体分类精度分别达到了92.51%和96.29%；与现有几种算法相比，该算法能更有效地提取出判别特征信息，并达到更高的分类精度。