[发明专利]基于EECNN算法的多类不平衡高光谱图像分类方法

权利要求书

1.基于EECNN算法的多类不平衡高光谱图像分类方法，其特征在于，包括以下步骤：

步骤1，获取待训练高光谱图像和待分类高光谱图像；分别对所述待训练高光谱图像和待分类高光谱图像进行光谱-空间像素块划分，对应得到原始数据集S和待分类样本集；从原始数据集中每类按比例随机抽取像素块形成原始训练集S_train；

其中，待训练高光谱图像包含L种地物类别，其像素数为M₁×M₂，波段数为N；待分类高光谱图像中的地物类别包含于待训练高光谱图像中；

步骤2，将原始训练集S_train中每类训练样本数目记作N_l，1≤N_l≤L，记最大类样本数目为N_max；对S_train中每类样本分别进行随机过采样处理，得到人工训练集S_c，使得每类对应的人工训练样本和原始训练样本的样本数之和分别等于最大类样本数N_max；

步骤3，将人工训练集S_c中每个样本沿波段维进行随机特征选择，得到A个大小为m×m×n的随机特征子空间f_a，1≤a≤A，1≤n≤N；对每个随机特征子空间f_a分别进行相应的空间变换，得到具有增强随机特征子空间的增强样本集S_ca；

步骤4，混合S_ca和S_train得到平衡训练样本集S_balanced；对平衡训练样本集S_balanced中的每个训练样本在波段维进行随机特征选择，得到E个大小分别为m×m×n_f的特征子空间f_e，1≤e≤E；对待分类样本集中的每个样本在波段维进行相同的随机特征选择，得到E个大小分别为m×m×n_f的特征子空间f_e′；

其中，1≤n_f≤N，每个训练样本和待分类样本的第e个随机特征子空间所包含的波段及其顺序均相同；

步骤5，构建集成CNN模型，将每个特征子空间f_e作为集成CNN模型中每个子分类器的输入数据，对集成CNN模型的每个子分类器分别进行训练，得到训练完的集成CNN模型；将每个特征子空间f_e′输入所述训练完的集成CNN模型的每个子分类器，采用多数投票法获取最终预测类别。

2.根据权利要求1所述的基于EECNN算法的多类不平衡高光谱图像分类方法，其特征在于，所述原始数据集S中每类未抽取到的像素块作为测试样本，形成测试集S_test；在训练完成后，采用测试集S_test对训练完的集成CNN模型进行测试。

3.根据权利要求1所述的基于EECNN算法的多类不平衡高光谱图像分类方法，其特征在于，所述光谱-空间像素块划分具体为：将高光谱图像分割为M₁×M₂个大小为m×m×N的光谱-空间像素块；其中，m×m为空间特征大小；原始数据集S和待分类样本集中的每个样本对应一个大小为m×m×N的光谱-空间像素块。

4.根据权利要求1所述的基于EECNN算法的多类不平衡高光谱图像分类方法，其特征在于，所述随机过采样处理具体为：对原始训练集S_train中的每类训练样本进行随机抽取并复制，生成每类训练样本对应的人工生成样本，从而生成人工训练集S_c。

5.根据权利要求1所述的基于EECNN算法的多类不平衡高光谱图像分类方法，其特征在于，每个随机特征子空间f_a对应进行一种空间变换，且每个f_a对应的空间变换不同，所述空间变换包含水平翻转、垂直翻转和不同角度的旋转。