[发明专利]基于EECNN算法的多类不平衡高光谱图像分类方法

说明书

本发明属于高光谱遥感图像处理技术领域，具体公开了一种基于EECNN算法的多类不平衡高光谱图像分类方法，包括步骤：获取待训练高光谱图像和待分类高光谱图像；对每个高光谱图像进行光谱‑空间像素块划分；对每类样本分别进行随机过采样处理；将人工训练样本沿波段维进行随机特征选择和空间变换；获取平衡训练样本集，并对其进行随机特征选择；构建集成CNN模型并对其的每个子分类器进行训练，采用训练完的模型对待分类图像进行分类，获取最终预测类别。本发明不但具有集成学习的良好泛化性能，同时具有深度学习强大的特征提取能力，提高分类精度。

技术领域

本发明涉及高光谱遥感图像处理技术领域，尤其涉及一种基于EECNN(EnhancedRandom Feature Subspace-based Ensemble Convolutional Neural Networks，基于增强随机特征子空间的集成卷积神经网络)算法的多类不平衡高光谱图像分类方法，可应用于多类别不平衡场景下高光谱遥感图像的准确分类。

背景技术

高光谱遥感图像包含了覆盖数百个连续光谱波段的丰富信息，已被广泛应用于土地覆盖制图、军事监测、环境建模和检测以及精准农业等领域。高光谱图像通常包含多个地物覆盖类别，因此如何设计一种监督分类算法，在经过适当的训练后为每个像素准确地分配一个类别标签是高光谱图像研究中最重要的任务之一。现有高光谱图像分类方法大多建立在平衡训练集的基础之上，而高光谱图像往往存在严重的类别不平衡问题，即每种地物类别所包含的样本数目差异巨大，从而导致少数类样本分类精度严重受损，但少数类样本往往也是人们所关心并需要被准确分类识别的，这使得许多现有分类方法失效；此外，高光谱图像的获取和地物类别标注需要花费大量的人力物力资源，因此研究类别不平衡情况下高光谱图像分类方法具有巨大的实际应用价值。

目前，针对高光谱图像分类的多类不平衡问题，通常采用的算法有Cost-sensitive算法、基于核函数(Kernel-based)算法和主动学习(Active learning)算法；然而，在高维度的高光谱图像分类中，这些方法都有着巨大的计算成本，即需要消耗大量计算时间和资源；除此之外，一些研究方法试图通过生成少数类的人工样本来解决类别不平衡问题；比如，随机欠采样(Random undersampling，RUS)、随机过采样(Randomoversampling，ROS)、合成少数过采样技术(Synthetic Minority OversamplingTechnique，SMOTE)和正交补码子空间投影方法(Orthogonal Complement SubspaceProjection，OCSP)，但这些方法都有一定局限性，RUS方法会损失有效的样本信息；ROS方法产生的大量重复样本会增加模型过度拟合的风险；SMOTE方法仅通过真实样本的线性组合生成人工样本，因此所生成的新特征是有限的；OCSP方法使用非线性人工样本生成，可以产生更丰富的新特征，但基于梯度约束的算法计算量大且非常耗时。

发明内容

针对现有技术存在的问题，本发明的目的在于提供一种基于EECNN算法的多类不平衡高光谱图像分类方法，采用基于增强随机特征子空间的平衡训练集生成算法，使训练集更具多样性且不损失原有样本特征信息，能有效提高多种算法的分类精度；采用集成学习与深度学习相结合的集成CNN模型，不但具有集成学习的良好泛化性能，同时具有深度学习强大的特征提取能力，提高分类精度。

为了达到上述目的，本发明采用以下技术方案予以实现。

(一)基于EECNN算法的多类不平衡高光谱图像分类方法，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；