[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

本發明涉及一種基于無監督學習的高光譜影像分類方法，該方法包括獲取待分類高光譜影像以及該高光譜影像的光譜特征，利用訓練好的分類模型對待分類高光譜影像的光譜特征進行分類，利用預收集的無標記高光譜影像的多視角空譜聯合特征構建的源數據集對設計的分類模型進行無監督元訓練，元訓練后利用少量的有標記的高光譜影像對分類模型進行微調。在本發明中，能夠解決現有技術中少標記樣本條件下的分類精度不高且對標記樣本依賴性較大的問題。

技術領域

本發明屬于遙感圖像處理與應用技術領域，具體涉及一種基于無監督學習的高光譜影像分類方法。

背景技術

高光譜影像分類是高光譜影像處理、分析和應用中的重要環節之一。其中，在高光譜影像分類的研究中主要應用的是深度學習模型。在訓練樣本充足的條件下利用深度學習模型能夠有效提高了分類結果的精度和魯棒性。然而，深度學習模型需要大量的標記樣本進行網絡訓練和參數優化，因此其在小樣本條件下的分類表現并不理想。眾所周知，獲取高質量的高光譜影像標記樣本費時費力。因此，如何利用極少量的標記樣本實現對目標高光譜影像的快速準確分類，即高光譜影像少樣例，已經吸引了研究人員的廣泛關注。

現有技術中，有以下幾種基于小樣本的分類方法：(1)《一種擴展屬性學輪廓和圖卷積模型相結合的半監督分類方法》(Bing Liu,Kuiliang Gao,Anzhu Yu,Wenyue Guo,Ruirui Wang,Xibing Zuo,Semisupervised graph convolutional network forhyperspectral image classification,J.Appl.Rem.Sens.14(2)026516(1June 2020))，該方法首先提取目標高光譜影像的擴展屬性學輪廓特征，再利用K鄰近算法構建圖模型，然后利用包含空譜聯合信息的圖模型進行訓練和分類，與傳統分類器和常規深度學習模型相比，該方法在一定程度上提高了高光譜影像在小樣本條件下的分類精度。(2)申請公開號為CN109272028A的中國專利申請文檔公開了一種基于主動深度學習的高光譜圖像分類方法，該方法使用潛在樣本的代表性和不確定性來選擇訓練集的附件樣本，將代表性和不確定性兩個標準集成到一個新的對象函數中實現，并提出了加權增量字典學習方法，在一定程度上提高了高光譜影像分類精度。(3)《一種面向高光譜影像分類的深度少樣例學習方法》，該方法首先利用多幅預收集的高光譜影像構建大規模標記源數據集，然后基于原型網絡架構設計了一種新穎的深度三維殘差網絡進行度量學習，最后結合支持向量機等傳統分類器進行訓練和分類，與常規的深度學習模型相比，該方法能夠在一定程度上提高了高光譜影像少樣例分類的精度和魯棒性。(4)《基于關系網絡的端到端的高光譜影像分類框架》，該方法也需要實現利用多幅預收集的高光譜影像構建大規模標記源數據集，然后利用設計的深度殘差關系網絡進行元訓練、微調和分類測試。(5)《一種新穎的高光譜影像交叉域分類方法》，將域適應的思想和高光譜影像少樣例分類問題相結合，該方法在利用深度模型進行元學習的同時引入條件對抗域適應策略，以期模型通過元訓練能夠提取到域不變的深度特征。上述方法中，前兩種方法分別基于半監督學習和主動學習的思想進行設計，后三種方法均基于監督元學習的思想，首先利用預收集的標記高光譜影像對深度模型進行元訓練，然后利用目標高光譜影像中的標記樣本進行微調和分類測試。

上述方法雖然在一定程度上提高了高光譜影像在訓練樣本受限條件下的分類精度，但是其依然借助了標記樣本進行元訓練，且在標記樣本較少條件下的分類精度仍然不高，對標記樣本依賴性仍然較大。

發明內容

本發明提供了一種基于無監督學習的高光譜影像分類方法，用以解決現有技術中少標記樣本條件下的分類精度不高且對標記樣本依賴性較大的問題。

為解決上述技術問題，本發明提供了一種基于無監督學習的高光譜影像分類方法，其包括：

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；