[發(fā)明專利]一種基于校正原型學(xué)習(xí)的高光譜影像分類方法

在審

• 申請?zhí)枺?/td>: 202110962828.5
• 申請日: 2021-08-20
• 公開（公告）號: CN113673599A
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計）人: 于純妍;宋梅萍;鞏寶玉;王玉磊;張建祎
• 申請（專利權(quán)）人: 大連海事大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 大連至誠專利代理事務(wù)所(特殊普通合伙) 21242
• 代理人: 張海燕;涂文詩

本發(fā)明公開了一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，包括選取高光譜場景圖像，隨機(jī)提取部分樣本作為訓(xùn)練集；隨機(jī)選出支持集和查詢集；搭建深度網(wǎng)絡(luò)模型，并計算學(xué)習(xí)度量空間中的初始類原型；搭建帶有殘差塊的卷積神經(jīng)網(wǎng)絡(luò)；S4：訓(xùn)練所述深度網(wǎng)絡(luò)模型；S5：選取測試數(shù)據(jù)集，從中隨機(jī)選取監(jiān)督樣本，并對所述監(jiān)督樣本的分布做校正標(biāo)準(zhǔn)化處理；S6：計算測試集樣本與所述測試類原型的歐式距離。本發(fā)明利用基于校正原型學(xué)習(xí)的高光譜分類方法對高光譜圖像進(jìn)行分類，通過選取支持集和查詢集，避免使用大量的標(biāo)記樣本，節(jié)省樣本標(biāo)記成本。與傳統(tǒng)原型網(wǎng)絡(luò)相比，得到了更好的分類精度，在高光譜圖像地表精細(xì)分類等方面具有重要的應(yīng)用價值。

技術(shù)領(lǐng)域

本發(fā)明屬于高光譜影像分類技術(shù)領(lǐng)域，具體涉及一種基于校正原型學(xué)習(xí)的高光譜影像分類方法。

背景技術(shù)

高光譜遙感實(shí)現(xiàn)了圖譜合一，包含豐富的光譜信息和空間信息，在精準(zhǔn)農(nóng)業(yè)、軍事偵察、地質(zhì)勘探等領(lǐng)域具有廣泛應(yīng)用。高光譜圖像分類是高光譜圖像研究的熱點(diǎn)，并且隨著深度學(xué)習(xí)的深入探索和應(yīng)用，高光譜圖像分類技術(shù)取得了很大的進(jìn)展。然而，有限的有標(biāo)簽樣本是制約高光譜圖像分類發(fā)展的一個重要原因。現(xiàn)有的網(wǎng)絡(luò)模型和方法大多是基于人工標(biāo)注的樣本數(shù)據(jù)，但這種方法費(fèi)時費(fèi)力且效率低下。

發(fā)明內(nèi)容

本發(fā)明提供一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，以克服現(xiàn)有的網(wǎng)絡(luò)模型和方法大多是基于人工標(biāo)注的樣本數(shù)據(jù)，費(fèi)時費(fèi)力且效率低下，且有限的有標(biāo)簽樣本制約高光譜圖像分類發(fā)展的技術(shù)問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：

一種基于校正原型學(xué)習(xí)的高光譜影像分類方法，包括：如下步驟：

S1：選取高光譜場景圖像，從中隨機(jī)提取部分樣本作為訓(xùn)練集；并從所述訓(xùn)練集中隨機(jī)選出支持集和查詢集，以作為為后續(xù)獲取校正的類原型和學(xué)習(xí)度量空間的訓(xùn)練集；

S2：搭建深度網(wǎng)絡(luò)模型以提取所述樣本的空間-光譜特征和學(xué)習(xí)度量空間，并計算學(xué)習(xí)度量空間中的初始類原型；

S3：搭建帶有殘差塊的卷積神經(jīng)網(wǎng)絡(luò)對所述初始類原型進(jìn)行校正，以獲取校正的類原型；

S4：采用校正的學(xué)習(xí)度量方法訓(xùn)練所述深度網(wǎng)絡(luò)模型，得到校正的深度網(wǎng)絡(luò)模型，以使得所述校正的類原型更加穩(wěn)健；

S5：在所述高光譜場景圖像中選取測試數(shù)據(jù)集，從中隨機(jī)選取監(jiān)督樣本，并對所述監(jiān)督樣本的分布做校正標(biāo)準(zhǔn)化處理，以采用所述校正的深度網(wǎng)絡(luò)模型獲取測試數(shù)據(jù)集中每一類的測試類原型；

S6：計算測試集樣本與所述測試類原型的歐式距離，以獲得對所述高光譜圖像的分類結(jié)果。

進(jìn)一步的，所述深度網(wǎng)絡(luò)模型是基于二維卷積操作的深度網(wǎng)絡(luò)而搭建，包括歸一化層、最大池化層、非線性激活函數(shù)層和全連接層。

進(jìn)一步的，所述殘差塊包括第1層、第1+1層和第1+2層；

所述殘差塊的第1層和第1+2層均包括第一卷積層和ReLU層；

所述殘差塊的第1+1層包括第二卷積層、ReLU層和第三卷積層。

進(jìn)一步的，所述卷積神經(jīng)網(wǎng)絡(luò)包括一個殘差塊和一個softmax層。

進(jìn)一步的，所述支持集和查詢集的選取方法采用的是元學(xué)習(xí)策略；所述支持集為包含有標(biāo)簽樣本的集合，所述查詢集為不包含標(biāo)簽樣本的集合。

進(jìn)一步的，獲取校正的類原型的步驟如下：

S31：建立所述初始類原型為：