[發明專利]一種基于無監督學習的高光譜影像分類方法

在審

• 申請號: 202111016331.0
• 申請日: 2021-08-31
• 公開（公告）號: CN113762128A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 劉冰;高奎亮;余旭初
• 申請（專利權）人: 中國人民解放軍戰略支援部隊信息工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 鄭州睿信知識產權代理有限公司 41119
• 代理人: 吳敏

1.一種基于無監督學習的高光譜影像分類方法，其特征在于，包括：

1)獲取待分類的高光譜影像，并對獲取的高光譜影像隨機選擇光譜維度上的多個波段，得到相應的光譜特征；

2)將獲得的光譜特征輸入訓練好的分類模型進行分類獲得分類結果，所述分類模型為深度學習模型，所述分類模型的訓練包括有元訓練和參數微調，元訓練采用無監督學習方式，用于元訓練的數據集是由多張無標記的高光譜影像預處理后得到的空譜聯合特征組成的無標記源數據集，用于參數微調的數據集是由多張有標記的高光譜影像得到的有標記數據集，無標記的高光譜影像的張數遠大于有標記的高光譜影像的張數，在元訓練過程中進行第一預設次數的訓練，每次訓練利用無標記源數據集劃分支撐集和查詢集，計算支撐集各空譜聯合特征與查詢集中各空譜聯合特征的相似性從而對不同類的空譜聯合特征進行分類，在參數微調過程中進行第二預設次數的參數微調，每次參數微調利用有標記源數據集劃分支撐集和查詢集，計算支撐集各空譜聯合特征與查詢集中各空譜聯合特征的相似性從而對不同類的空譜聯合特征進行分類以實現對完成元訓練的模型的參數的微調。

2.根據權利要求1所述的基于無監督學習的高光譜影像分類方法，其特征在于，所述深度學習模型采用深度殘差關系網絡模型，所述深度殘差關系網絡模型包括順次連接的特征學習單元和關系學習單元，特征學習單元用于將輸入的空譜聯合特征映射至深度特征空間以得到高級特征，關系學習單元用于將深度特征空間同類的高級特征相互聚集，不同類的高級特征相互分類，特征學習單元包括至少8個卷積塊，其中8個卷積塊順序堆疊，自第一個卷積塊開始，每隔3個卷積塊設置一個最大池化層，在最后一個最大池化層后設置2個卷積塊，每個最大池化層的輸入包括前置相鄰的卷積塊的輸出和前置第三個卷積塊的輸出。

3.根據權利要求2所述的基于無監督學習的高光譜影像分類方法，其特征在于，特征學習單元包括11個卷積塊和3個最大池化層，11個卷積塊順序堆疊，3個最大池化層分別設置在第3個、第6個和第9個卷積塊之后，在第3個卷積塊后的第一最大池化層的輸入包括第3個卷積塊的輸出和第1個卷積塊的輸出，設置在第6個卷積塊后的第二最大池化層的輸入包括第6個卷積塊的輸出和第4個卷積塊的輸出，設置在第9個卷積塊后的第三最大池化層的輸入包括第9個卷積塊的輸出和第7個卷積塊的輸出。

4.根據權利要求1所述的基于無監督學習的高光譜影像分類方法，其特征在于，在步驟2)中對高光譜影像預處理包括獲取各張無標記高光譜影像的多個樣本，從每個樣本中從光譜維度上選取多個波段形成多視角光譜特征，對所述多視角光譜特征采用數據擴增方式進行空間信息變換獲得多視角的空譜聯合特征。

5.根據權利要求4所述的基于無監督學習的高光譜影像分類方法，其特征在于，所述數據擴增方式包括隨機旋轉、翻轉、裁剪中的至少一種。

6.根據權利要求2所述的基于無監督學習的高光譜影像分類方法，其特征在于，在元訓練過程中，每次訓練時，從查詢集中隨機選擇一個空譜聯合特征，分別計算該空譜聯合特征的高級特征與支撐集中的各空譜聯合特征的高級特征的相似性，基于計算結果將查詢集中的該空譜聯合特征與支撐集中相似性最高的空譜聯合特征劃分為一類，進而實現查詢集中所有空譜聯合特征的分類。

7.根據權利要求2所述的基于無監督學習的高光譜影像分類方法，其特征在于，在參數微調過程中，每次參數微調時，從查詢集中隨機選擇一個空譜聯合特征，分別計算該空譜聯合特征的高級特征與支撐集中的各空譜聯合特征的高級特征的相似性，基于計算結果將查詢集中的該空譜聯合特征與支撐集中相似性最高的空譜聯合特征劃分為一類，進而實現查詢集中所有空譜聯合特征的分類，然后確定查詢集中所有空譜聯合特征的標記與支撐集中對應的相似性最高的空譜聯合特征的標記是否一致，若存在不一致，則調整參數。

8.根據權利要求1或7所述的基于無監督學習的高光譜影像分類方法，其特征在于，在參數微調過程中利用的有標記數據集是利用主成分分析算法對有標記的高光譜影像進行降維處理并利用降維處理后的數據形成的微調數據集。