[发明专利]一种基于无监督学习的高光谱影像分类方法

权利要求书

1.一种基于无监督学习的高光谱影像分类方法，其特征在于，包括：

1)获取待分类的高光谱影像，并对获取的高光谱影像随机选择光谱维度上的多个波段，得到相应的光谱特征；

2)将获得的光谱特征输入训练好的分类模型进行分类获得分类结果，所述分类模型为深度学习模型，所述分类模型的训练包括有元训练和参数微调，元训练采用无监督学习方式，用于元训练的数据集是由多张无标记的高光谱影像预处理后得到的空谱联合特征组成的无标记源数据集，用于参数微调的数据集是由多张有标记的高光谱影像得到的有标记数据集，无标记的高光谱影像的张数远大于有标记的高光谱影像的张数，在元训练过程中进行第一预设次数的训练，每次训练利用无标记源数据集划分支撑集和查询集，计算支撑集各空谱联合特征与查询集中各空谱联合特征的相似性从而对不同类的空谱联合特征进行分类，在参数微调过程中进行第二预设次数的参数微调，每次参数微调利用有标记源数据集划分支撑集和查询集，计算支撑集各空谱联合特征与查询集中各空谱联合特征的相似性从而对不同类的空谱联合特征进行分类以实现对完成元训练的模型的参数的微调。

2.根据权利要求1所述的基于无监督学习的高光谱影像分类方法，其特征在于，所述深度学习模型采用深度残差关系网络模型，所述深度残差关系网络模型包括顺次连接的特征学习单元和关系学习单元，特征学习单元用于将输入的空谱联合特征映射至深度特征空间以得到高级特征，关系学习单元用于将深度特征空间同类的高级特征相互聚集，不同类的高级特征相互分类，特征学习单元包括至少8个卷积块，其中8个卷积块顺序堆叠，自第一个卷积块开始，每隔3个卷积块设置一个最大池化层，在最后一个最大池化层后设置2个卷积块，每个最大池化层的输入包括前置相邻的卷积块的输出和前置第三个卷积块的输出。

3.根据权利要求2所述的基于无监督学习的高光谱影像分类方法，其特征在于，特征学习单元包括11个卷积块和3个最大池化层，11个卷积块顺序堆叠，3个最大池化层分别设置在第3个、第6个和第9个卷积块之后，在第3个卷积块后的第一最大池化层的输入包括第3个卷积块的输出和第1个卷积块的输出，设置在第6个卷积块后的第二最大池化层的输入包括第6个卷积块的输出和第4个卷积块的输出，设置在第9个卷积块后的第三最大池化层的输入包括第9个卷积块的输出和第7个卷积块的输出。

4.根据权利要求1所述的基于无监督学习的高光谱影像分类方法，其特征在于，在步骤2)中对高光谱影像预处理包括获取各张无标记高光谱影像的多个样本，从每个样本中从光谱维度上选取多个波段形成多视角光谱特征，对所述多视角光谱特征采用数据扩增方式进行空间信息变换获得多视角的空谱联合特征。

5.根据权利要求4所述的基于无监督学习的高光谱影像分类方法，其特征在于，所述数据扩增方式包括随机旋转、翻转、裁剪中的至少一种。

6.根据权利要求2所述的基于无监督学习的高光谱影像分类方法，其特征在于，在元训练过程中，每次训练时，从查询集中随机选择一个空谱联合特征，分别计算该空谱联合特征的高级特征与支撑集中的各空谱联合特征的高级特征的相似性，基于计算结果将查询集中的该空谱联合特征与支撑集中相似性最高的空谱联合特征划分为一类，进而实现查询集中所有空谱联合特征的分类。

7.根据权利要求2所述的基于无监督学习的高光谱影像分类方法，其特征在于，在参数微调过程中，每次参数微调时，从查询集中随机选择一个空谱联合特征，分别计算该空谱联合特征的高级特征与支撑集中的各空谱联合特征的高级特征的相似性，基于计算结果将查询集中的该空谱联合特征与支撑集中相似性最高的空谱联合特征划分为一类，进而实现查询集中所有空谱联合特征的分类，然后确定查询集中所有空谱联合特征的标记与支撑集中对应的相似性最高的空谱联合特征的标记是否一致，若存在不一致，则调整参数。

8.根据权利要求1或7所述的基于无监督学习的高光谱影像分类方法，其特征在于，在参数微调过程中利用的有标记数据集是利用主成分分析算法对有标记的高光谱影像进行降维处理并利用降维处理后的数据形成的微调数据集。