[發(fā)明專利]基于均值漂移和過采樣的高光譜圖像不平衡分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610033575.2
• 申請(qǐng)日: 2016-01-19
• 公開（公告）號(hào): CN105718942B
• 公開（公告）日: 2019-03-08
• 發(fā)明（設(shè)計(jì)）人: 楚恒;晁拴社;王汝言;王興
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 重慶市恒信知識(shí)產(chǎn)權(quán)代理有限公司 50102
• 代理人: 劉小紅

1.一種基于均值漂移和過采樣的高光譜圖像不平衡分類方法，其特征在于，包括以下步驟：

101、首先獲取高光譜圖像，將高光譜圖像的每一個(gè)像素點(diǎn)用特征向量表示，用主成分分析降維法提取第一主成分高光譜圖像；

102、對(duì)第一主成分高光譜圖像利用均值漂移算法得到分割圖塊，對(duì)分割圖塊中的像素點(diǎn)光譜值求和做平均得到局部空間信息；

103、同時(shí)隨機(jī)選取高光譜圖像數(shù)據(jù)中的類別樣本，對(duì)其中少數(shù)類樣本x'采用SMOTE技術(shù)過采樣預(yù)處理，然后對(duì)各個(gè)類別樣本兩兩訓(xùn)練支持向量機(jī)；

104、對(duì)經(jīng)過步驟103支持向量機(jī)分類平面上的少數(shù)類樣本的支持向量再次過采樣；

105、提取步驟102經(jīng)過均值漂移算法得到的光譜圖像空間信息，并對(duì)步驟104經(jīng)過再次過采樣的每一個(gè)測(cè)試像素點(diǎn)利用混合核支持向量機(jī)分類器得到分類圖；

106、最后由最大投票方法對(duì)分割圖和分類圖融合得到最終的分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于均值漂移和過采樣的高光譜圖像不平衡分類方法，其特征在于，所述步驟101具體為：獲取高光譜圖像X，X＝{x₁,x₂,...,x_N}∈R^H,該高光譜圖像X包含m_i類像素點(diǎn)，而且每一類別的像素點(diǎn)個(gè)數(shù)都不一樣，圖像的每一個(gè)像素點(diǎn)為一個(gè)樣本，用x_i表示第i個(gè)樣本的特征向量，R表示實(shí)數(shù)域，樣本的特征維數(shù)為H。

3.根據(jù)權(quán)利要求1或2所述的基于均值漂移和過采樣的高光譜圖像不平衡分類方法，其特征在于，步驟102具體為：將第一主成分高光譜圖像X^1st分割成S塊，得到高光譜圖像的分割圖I_w，并且對(duì)每一個(gè)分割塊的像素光譜值求和作平均得到空間信息

4.根據(jù)權(quán)利要求3所述的基于均值漂移和過采樣的高光譜圖像不平衡分類方法，其特征在于，步驟103具體為：隨機(jī)選取高光譜數(shù)據(jù)x，利用SMOTE算法構(gòu)造新的樣本x'＝x+random(0,1)×x_i。

5.根據(jù)權(quán)利要求3所述的基于均值漂移和過采樣的高光譜圖像不平衡分類方法，其特征在于，步驟104中提取的空譜信息和光譜信息建立混合核函數(shù)K(x_i,x_j)＝μK_s(x_i^s,x_j^s)+(1-μ)K_w(x_i^w,x_j^w)。

6.根據(jù)權(quán)利要求3所述的基于均值漂移和過采樣的高光譜圖像不平衡分類方法，其特征在于，步驟103對(duì)少數(shù)類支持向量過采樣得到新的少數(shù)類支持向量個(gè)數(shù)N^new，使得分類平面上的少數(shù)類支持向量與多數(shù)類支持向量達(dá)到平衡，N^new的計(jì)算的具體步驟如下所示：

4a)計(jì)算出由過采樣后的少數(shù)類與多數(shù)類訓(xùn)練的子分類器模型中的少數(shù)類支持向量個(gè)數(shù)N-，和多數(shù)類支持向量個(gè)數(shù)N⁺；

4b)根據(jù)支持向量過采樣方法計(jì)算得出少數(shù)類支持向量個(gè)數(shù)

4c)比較過采樣后少數(shù)類支持向量個(gè)數(shù)N^new和多數(shù)類支持向量的個(gè)數(shù)N⁺，如果|N⁺-N^new|≤5，則不處理，如果|N⁺-N^new|＞5則重新帶到4b)繼續(xù)進(jìn)行少數(shù)類支持向量過采樣。