[发明专利]基于数据增广和分类器融合的高光谱图像分类方法

说明书

本发明提供了一种基于数据增广和分类器融合的高光谱图像分类方法。首先，对高光谱图像数据进行预处理，并随机选择得到初始训练样本；然后，通过建立一个数据混合模型，指数级地扩充有标签的训练样本；接着，使用扩充的数据集训练基于卷积神经网络的分类器；最后，使用投票策略对多个分类器的结果进行融合，获得最终的分类结果。本发明方法能够避免卷积神经网络训练中的局部最小和过拟合问题、减少随机性的影响，在有限的有标签的训练样本的情况下，也能获得较好的分类效果。

技术领域

本发明属高光谱图像处理技术领域，具体涉及一种基于数据增广和分类器融合的高光谱图像分类方法。

背景技术

目前高光谱图像已经被广泛应用于环境监测、资源勘探及地物识别等领域。高光谱图像分类是其中的一项重要应用。在实际的应用中，标注高光谱图像需要依靠地质专家的经验，这通常需要大量的时间，并且代价高昂，因此高光谱图像中有标签的样本经常是有限的。基于深度神经网络的方法已被广泛应用于高光谱图像分类中，且已取得较好的分类效果。但是当有标签的训练样本较少时，基于深度神经网络的方法会变得过拟合，导致分类效果下降。如何在少量训练样本的情况下，有效地完成高光谱图像分类任务逐渐受到国内外学者的广泛关注。为了解决训练样本少的情况，文献“Wei Wei,Jinyang Zhang,LeiZhang,Chunna Tian,Yanning Zhang:Deep Cube-Pair Network for HyperspectralImagery Classification.Remote Sensing.10(5):783(2018)”，通过采集三维邻域数据作为一个像素块来训练三维卷积神经网络。文献“He Yang,Qian Du,Ben Ma:Decisionfusion on supervised and unsupervised classifiers for hyperspectralimagery.IEEE Geoscience and Remote Sensing Letters.7(4):875-879(2010)”，提出了基于多分类器融合的分类方法。上述两种方法仅从单一方向进行考虑，并没有从数据扩充和分类器融合的角度共同进行设计，从而限制了高光谱图像分类的精度。

发明内容

为了克服现有技术的不足，本发明提供一种基于数据增广和分类器融合的高光谱图像分类方法。首先，对高光谱图像数据进行预处理，并随机选择得到初始训练样本；然后，通过建立一个数据混合模型，指数级地扩充有标签的训练样本；接着，为了降低数据混合模型中随机混合系数对分类器性能的影响，使用投票策略对多个分类器的结果进行融合，获得最终的分类结果。

一种基于数据增广和分类器融合的高光谱图像分类方法，其特征在于包括以下步骤：

步骤1：对于高光谱图像数据其类别标签矢量为其中，表示第i个样本数据，是第i个样本数据的one-hot标签，i＝1,2,...,n，n为样本总数，b表示光谱维数，L表示样本的类别总数；将高光谱图像数据X中的每个样本归一化至0～1范围内，然后从中随机地选择m个样本数据及其类别标签，得到训练数据和其对应的类别标签其中，m<n。

步骤2：对步骤1得到的训练数据和其对应的标签进行混合，得到扩充的训练数据集，其中，混合采用的数据模型为：

其中，x_i,x_j∈X_train，y_i,y_j∈Y_train，i,j∈[1,2,...,m]，λ∈[0,1]为随机混合系数，为新的混合样本，对应的one-hot标签，表示扩充后的训练数据集，k∈[1,2,...,m²]。