[發明專利]基于空間校正的半監督自訓練的高光譜遙感圖像分類方法

在審

• 申請號: 202111455830.X
• 申請日: 2021-12-01
• 公開（公告）號: CN114399687A
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 武越;白壯飛;肖鄭磊;王善峰;公茂果;慕貴峰;苗啟廣
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/762;G06V10/774;G06K9/62;G06N3/04;G06N3/08;G06V10/82;G06V20/10
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 王萌

本發明公開了一種基于空間校正的半監督自訓練的高光譜遙感圖像分類方法，包括：按照光譜通道數量，對待分類高光譜遙感圖像進行切分，以得到光譜切片數據集；在每個光譜切片數據中，基于局部圖像塊提取光譜空間特征，以得到待分類高光譜遙感圖像對應的光譜空間特征集；基于預設算法對所有局部圖像塊進行聚類，以得到多個初始簇；按照語義信息，對局部圖像塊簇進行合并處理，以得到目標簇；計算每個目標簇的置信度；對目標簇中的每個未標記局部圖像塊賦偽標記集；基于空間局部約束策略，對偽標記集進行迭代校正，以完成高光譜遙感圖像的分類。本發明能夠在有少量標記局部圖像塊或者無法獲取大量標記局部圖像塊的情況下高效實現圖像分類任務。

技術領域

本發明屬于人工智能領域，具體涉及一種基于空間校正的半監督自訓練的高光譜遙感圖像分類方法。

背景技術

高光譜遙感技術是光學遙感技術的一次突破，完善了光學遙感影像從黑白全色影像經由多光譜到高光譜的全部影像信息鏈。不同于普通遙感影像，高光譜遙感影像高維的數據有著豐富光譜和空間信息，導致高光譜遙感影像伴隨著數據量大，信息冗余多等問題，分類處理難度較高。

為了克服數據量大以及信息冗余多等問題，傳統方法對高維數據進行降維操作，映射到低維空間，以進行圖像分類。該方法雖然解決了高維與信息冗余的問題，但降維必然會破壞原有的圖像空間信息，降低了分類結果的準確度。

為了不破壞原有的圖像空間信息，充分的利用光譜和空間信息，現有技術采用深度學習的方法進行高光譜影像分類。但是，現有的基于深度學習的高光譜影像分類方法依賴于擁有足夠的有標簽訓練集，而高光譜影像的每個像元都需要一個標簽，且空間分辨率較低，這樣很難判斷每個像元的類別，就不能直接賦予其類別，必須要結合實地對比才能確定類別，導致圖像塊標注難度較大。因此，現有技術中的高光譜影像分類方法需要的技術難度高，且耗時耗力，需要較大成本。

發明內容

為了解決現有技術中存在的上述問題，本發明提供了一種基于空間校正的半監督自訓練的高光譜遙感圖像分類方法。本發明要解決的技術問題通過以下技術方案實現：

一種基于空間校正的半監督自訓練的高光譜遙感圖像分類方法，所述方法包括：步驟1：按照光譜通道數量，對待分類高光譜遙感圖像進行切分，以得到光譜切片數據集，其中，光譜切片數據數量與光譜通道數量相同；步驟2：在每個光譜切片數據中，基于局部圖像塊提取光譜空間特征，以得到待分類高光譜遙感圖像對應的光譜空間特征集；步驟3：基于預設算法對所有局部圖像塊進行聚類，以得到多個初始簇；步驟4：按照語義信息，對局部圖像塊簇進行合并處理，以得到目標簇；步驟5：計算每個目標簇的置信度；步驟6：對目標簇中的每個未標記局部圖像塊賦偽標記集；步驟7：基于空間局部約束策略，重復步驟2至步驟7，對偽標記集進行迭代校正，以完成高光譜遙感圖像的分類。

在本發明的一個實施例中，所述步驟2包括：步驟2-1：以每個光譜切片數據中的每個像元為中心，按照預設尺寸值截取得到局部圖像塊集合；其中，局部圖像塊數量與像元數量相同；步驟2-2：對每個光譜切片數據對應的所有局部圖像塊進行卷積網絡編碼，以得到光譜空間特征集合。

在本發明的一個實施例中，初始簇中包括已標記局部圖像塊和/或未標記局部圖像塊。

本發明的有益效果：

本發明能夠減少訓練所需要的圖像塊，提高了分類精度和分類效率，提高了分類的高效性。

以下將結合附圖及實施例對本發明做進一步詳細說明。

附圖說明

圖1是本發明實施例提供的一種基于空間校正的半監督自訓練的高光譜遙感圖像分類方法示意圖。

具體實施方式

下面結合具體實施例對本發明做進一步詳細的描述，但本發明的實施方式不限于此。

實施例