[发明专利]基于不对称分解卷积网络的高光谱图像小样本分类方法

说明书

本发明涉及一种基于不对称分解卷积网络的高光谱图像小样本分类方法，首先，构建不对称分解三维卷机网络模型，从多个不同传感器采集的预训练高光谱图像数据中提取所有有标注的样本构建混合了多个高光谱图像样本的预训练数据，并利用预训练数据对构建的网络模型进行预训练。之后，将经过预训练的模型迁移到目标高光谱图像数据上来，从目标高光谱图像数据中提取少量有标注的样本作为训练数据，并对迁移后的模型进行微调。最后，利用经过微调的网络模型对整个目标高光谱图像数据集进行分类。与现有的基于深度学习的高光谱图像分类方法相比，网络模型更深，精度更高，且参数量更少。

技术领域

本发明涉及一种结合三维卷积网络模型和迁移学习方法，在小样本条件下进行高光谱图像高精度分类的方法，属于遥感图像处理领域。

背景技术

高光谱图像同时含有较低分辨率的空间信息和高分辨率的光谱信息，是对地观测的重要数据，在军事及民用领域都有着重要的应用。高光谱图像分类技术，是高光谱图像各项应用技术中非常重要的基础技术。高光谱图像分类问题旨在给定一副具有部分标注像素的图像，通过相关算法，预测出图像中所有像素对应的具体地物类别。

高光谱图像存在数据维度高、相邻波段存在相关性、混合像元及可获取的样本数据少等问题，使得高光谱图像分类技术的发展面临巨大挑战。传统的高光谱图像分类方法一般利用人工预设特征，例如SIFT，HOG，PHOG等，从高光谱图像中提取特征，然后借由多层感知器，支持向量机等模型来分类。但是这些人工预设特征的设计及选取依赖专业性知识，且很难选取一种有通用性的特征。近年来，随着深度学习的兴起，完全数据驱动和不需要先验知识的深度神经网络在图像处理和计算机视觉等领域展现出了突出的优势，其应用范围涵盖了高级图像识别、中低级图像处理等诸多方面，例如目标识别、检测、分类和图像去噪、动态去模糊、重建等等。基于深度学习的高光谱图像分类在方法和性能上得到了突破性的进展，取得了明显优于传统方法的分类效果。

但是，现有的基于深度学习的高光谱图像分类方法主要是将应用在计算机视觉问题上的深度网络模型应用在高光谱图像分类问题上，而不是根据高光谱图像的特点，针对性的构建适用的网络结构。此外，性能强大的深度网络模型通常含有大量的参数，需要大量的训练样本。高光谱图像的小样本问题严重阻碍着性能更强的深度模型在高光谱图像分类方面的应用，也阻碍着分类精度进一步的提升。因此，针对高光谱图像的特点，搭建适用的深度网络模型，设计在小样本条件下，实现高光谱图像高精度分类的方法是一项具有挑战性的任务，但同时也是高光谱图像分类领域迫切需要的。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，针对高光谱图像分类问题，结合深度学习相关技术及迁移学习算法，本发明提出一种在小样本条件下能够实现高精度分类的算法。

技术方案

一种基于不对称分解卷积网络的高光谱图像小样本分类方法，其特征在于步骤如下：

步骤1：数据预处理

按照最大最小归一化方法对预训练高光谱图像数据集和目标图像数据集进行归一化操作；

步骤2：划分预训练集

提取预训所有高光谱图像数据集中的所有标注样本，生成融合多个高光谱图像数据的混合数据集，从每个类别中选取少量样本，保留作为验证集，其余样本作为预训练集；

步骤3：划分训练集

提取目标高光谱图像数据集中所有样本，从每类中选取少量样本作为训练集，剩余部分作为测试集；

步骤4：构建高光谱图像分类网络模型