[发明专利]一种基于数据增强的小样本高光谱分类方法

说明书

本发明公开了一种基于数据增强的小样本高光谱分类方法，包括：输入高光谱图像数据得到样本集；对样本集中的每个样本点均划定N个不同尺寸邻域区域；每个样本点得到N个邻域样本集，对邻域样本集进行处理，得到对应新增样本点，将对应的所有新增样本点组合为样本点的扩增数据集，遍历样本集得到增强后的图像数据；将原始高光谱图像数据和增强后的图像数据用于训练分类器；利用训练后的分类器对高光谱图像中使用上述步骤数据增强的待识别样本点使用投票法或者优选法进行分类识别。本发明实现了对高光谱图像数据的数据增强，一定程度上解决了小样本问题，通过扩增的训练样本训练出更好的分类器，同类条件下明显提高了高光谱数据的分类识别率。

技术领域

本发明属于小样本高光谱分类识别领域，涉及一种基于数据增强的小样本高光谱分类方法。

背景技术

高光谱图像集样本的图像信息与光谱信息于一身。图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于不同成分对光谱吸收也不同，在某个特定波长下图像对某个缺陷会有较显著的反映，而光谱信息能充分反映样品内部的物理结构、化学成分的差异。高光谱遥感图像往往难以采集大量训练样本的，而只有少量的训练样本，很难得到高精度的分类精度，因此数据增强能扩充训练样本，提高分类器的分类精度。

数据增强是解决小样本问题的有效方法，在图像分类和文本分类领域，当样本不足时，可以通过数据增强的手段提高分类精确度。然而不像图像数据和文本数据，人们对高光谱数据的认知还不完善，用于图像数据和文本数据的增强方法并不完全适用于高光谱数据。前期有学者仿造图像领域的做法，对高光谱进行随机扰动、加噪、旋转等操作来得到增强样本，然而增强后的数据对分类精确度的提升仅仅取得一点点改进，大约能提升2～3％。

发明内容

针对遥感图像难以采集大量训练样本的，而只有少量的训练样本，很难得到高精度的分类精度，因此使用数据增强方法扩充训练样本，提高分类器的分类精度，同时使用数据增强方法扩充待识别样本，提高待识别样本的分类识别精度。

鉴于上述问题，提出了本发明以便提供两种克服上述问题或者至少部分地解决上述问题的一种基于数据增强的小样本高光谱分类方法。

为实现上述目的，本发明采取的技术方案为：

本发明实施例提供一种基于数据增强的小样本高光谱分类方法，包括：

S11：输入原始高光谱图像数据，得到当前样本点集；

S12：对所述当前样本点集中的每个当前样本点对应划定N个不同尺寸的邻域区域；所述每个当前样本点得到对应的N个邻域样本点集；对所述当前样本点的所述邻域样本点集进行增强处理，得到所述当前样本点对应新增样本点；

S13：将所述当前样本点对应得到所有所述新增样本点数据组合为所述当前样本点的扩增数据集合，遍历所述当前样本点集得到增强后的图像数据；

S14：将所述原始高光谱图像数据和所述增强后的高光谱图像数据用于训练分类器；利用训练后的所述分类器对高光谱图像中待识别样本点使用投票法或者优选法进行分类识别；所述待识别样本点使用步骤S11-S13进行数据增强。

进一步的，所述对所述当前样本点的所述邻域样本点集进行增强处理，得到所述当前样本点对应新增样本点，包括：

S121：对所述当前样本点对应的所述邻域样本点集进行处理，得到对应的候选样本集{X_j}；

S122：计算所述候选样本集中每个候选样本点与对应所述当前样本点光谱的相似度；

S123：将所述相似度代入第一计算公式；对所述候选样本集中的所述每个候选样本点设定贡献权值；

S124：根据第二计算公式，计算设定权值后的所述候选样本集得到所述当前样本点对应的新增样本点。