[发明专利]一种互导学习高光谱图像分类方法

说明书

本发明提供了一种互导学习高光谱图像分类方法，解决了小样本集训练条件下分类精度低的问题。其步骤：(1)将高光谱图像表达为像元样本集；(2)构建两个结构相同但初始化参数不同的分类器，作为两个基分类器；(3)两个基分类器分别用对方提供的标记样本集训练；(4)两个基分类器分别对自己的未标记样本集分类；(5)将两个基分类器的分类结果中高置信度样本分别扩增至它们自己的标记样本集；(6)重复步骤(3)至(5)直到标记样本集扩增至特定规模；(7)两个基分类器决策获得最终分类结果。综上，两个基分类器持续为对方提供新标记样本进行训练，通过上述互导学习方式保证了小标记样本集训练条件下的分类性能。

技术领域

本发明涉及高光谱图像分类领域，具体涉及一种互导学习高光谱图像分类方法。

背景技术

高光谱图像分类技术是一项极具特色的前沿技术，在遥感观测领域占据重要地位。高光谱图像具有空间信息，同时，具有纳米级波谱分辨率及数百个光谱波段特性，因此比传统的遥感图像具有更为丰富的光谱信息及能区分细微光谱差异的优势，现已广泛应用于遥感观测服务的现代农业、医学研究、环境治理、资源勘探和军事防御等领域。高光谱图像数据维数高，图像分类器的训练需要大量标记样本。现阶段高光谱图像样本标记主要基于专家知识、经验等进行人工标记，标记效率低，标记成本高，标记样本量严重不足。如何在小标记样本集的训练条件下，有效进行高精度高光谱图像分类，是遥感观测领域的一个挑战性难题。

发明内容

本发明的目的在于提供一种互导学习高光谱图像分类方法，解决小样本集训练条件下分类精度低的问题。

为了实现上述目的，本发明的技术方案为：

(1)将高光谱图像表达为像元样本集。

像元样本集X由标记样本集X_L和无标记样本集X_U组成，即X＝{X_L,X_U}。

(2)构建两个结构相同但初始化参数不同的分类器，作为两个基分类器。

两个基分类器分别表示为C(·；α_A,β_A)和C(·；α_B,β_B)，简写为C_A和C_B，其中，α_A和β_A分别表示C_A的随机初始化参数和可训练模型参数，α_B和β_B分别表示C_B的随机初始化参数和可训练模型参数。

两个基分类器对样本x∈X的分类操作分别表示为：

y_A＝C(x；α_A,β_A)

y_B＝C(x；α_B,β_B)

其中，y_A和y_B分别表示C_A和C_B给x的类别标记。

(3)两个基分类器分别用对方提供的标记样本集训练。

训练过程为：

其中，argmin表示寻找最小评分的参量，表示训练的目标函数，和分别表示第k次迭代时训练所得的C_A和C_B的模型参数，表示C_B在第k次迭代时的标记样本集，表示的类别标记，表示C_A在第k次迭代时的标记样本集，表示的类别标记。当k＝1时，

(4)两个基分类器分别对自己的未标记样本集分类。