[发明专利]一种基于欧式距离和深度学习的高光谱开放集分类方法

说明书

本发明属于图像处理技术领域，公开了一种基于欧式距离和深度学习的高光谱开放集分类方法。本发明首先构造各已知类的类别中心、基于欧式距离的类别预测函数和基于欧式距离的损失函数，对深度学习网络模型进行训练优化；其次，将箱线图方法和极值理论Weibull分布模型相结合，对输入数据相对于各已知类的类别中心的距离进行分析和拟合，实现对各已知的分类边界的约束，进而实现对未知类的判别：箱线图用于提供拟合Weibull分布模型所需的异常点的个数，并依据异常点的个数判断是使用Weibull模型还是使用箱线图上边缘进行未知类的判别。本发明针对高光谱领域的开放集分类问题，是一种简单、实用、分类精度高、鲁棒性强的方法。

技术领域

本发明属于图像处理技术领域，涉及一种基于欧式距离和深度学习的高光谱开放集分类方法。在测试过程中，本发明不仅可以对训练过程中出现的已知类进行准确分类，还能对训练过程中没有出现的未知类进行识别和拒绝。

背景技术

高光谱分类技术是利用光谱信息和空间信息对高光谱图像中的每个像素进行分类的技术，在国防和民用领域有着巨大的应用价值。近几年随着深度学习技术的崛起，以卷积神经网络及其衍生模型(如残差网络、循环网络和稠密连接网络等)为基本框架的分类模型逐步成为高光谱分类领域的重要方法。

尽管深度学习技术的应用极大地提高了高光谱分类技术的性能，但这些基于深度学习的分类算法都基于一个理想的假设——闭合集假设。所谓闭合集假设，是指测试数据和训练数据均来自于相同的类别空间，即测试类别包含于训练类别。由于实际环境的开放性和动态性，研究人员是无法搜集到所有物质的类别信息的；因而在测试过程中，训练好的深度学习网络必然会遇到训练过程中没有出现的类别，即未知类，引发对未知类的错误分类；所以闭合集假设并不适用于动态、开放、真实的实际环境。与闭合集假设相对应，真实环境带来的挑战称之为开放集假设，与其相关的分类任务称为开放集分类。开放集分类不仅要实现已知类的高精度分类，还要实现对未知类的拒绝。

传统的基于深度学习的高光谱分类方法，因基于闭合集假设而只能实现已知类的分类。对比文件1(中国发明专利，申请号：CN201910635970.1)提出的基于原型学习机制和多维残差网络的高光谱智能分类方法，其只能实现已知类的分类，对未知类则无法加以拒绝。此外，对比文件1使用原型作为已知类的代表，利用原型距离损失函数对多维残差网络进行训练，进而得到优化后的原型和网络参数，实现对高光谱图像的分类。而本发明使用固定的类别中心作为已知类的代表，这些类别中心对应着N维空间(N为已知类的类别个数)的基底向量e_i(i＝1,2,…,N)，因而无需经过训练便可得到各已知类的类别中心；相比原型，类别中心具有更高的稳定性，且更适用于大型的复杂的数据集。

目前，高光谱开放集分类方法的研究较少。对比文件2(中国发明专利，申请号：CN201910200211.2)和对比文件3(Hyperspectral open set classification withunknown classes rejection towards deep networks,Yu Liu,Yuhua Tang,LixiongZhang,Lu Liu,Minghui Song,Kecheng Gong,Yuanxi Peng,Jing HouTian Jiang(2020),International Journal of Remote Sensing,41:16,6355-6383,DOI:10.1080/01431161.2020.1754492)提出的一种基于概率模型和深度学习的高光谱未知目标检测方法，其在深度神经网络的SoftMax层之前引入一个概率模型计算层OpenMax。OpenMax的理论基础是极值理论，使用Weibull分布模型对已知类的异常点的分布情况进行拟合，得到各已知类的Weibull分布模型；然后利用各已知类的Weibull分布模型来衡量输入数据属于已知类以及未知类的可能性。在对比文件2和对比文件3的具体操作中，对于每一个已知类，异常点的个数均取相同的数值。这一做法缺乏对不同已知类的差异性的考虑：各已知类的异常点个数不尽相同，且可能有的已知类不存在异常点。因而在实际使用过程中，对比文件2和对比文件3的鲁棒性和泛化性较差，未知目标检测的性能波动性较大。