[发明专利]一种基于无监督学习的高光谱影像分类方法

说明书

本发明涉及一种基于无监督学习的高光谱影像分类方法，该方法包括获取待分类高光谱影像以及该高光谱影像的光谱特征，利用训练好的分类模型对待分类高光谱影像的光谱特征进行分类，利用预收集的无标记高光谱影像的多视角空谱联合特征构建的源数据集对设计的分类模型进行无监督元训练，元训练后利用少量的有标记的高光谱影像对分类模型进行微调。在本发明中，能够解决现有技术中少标记样本条件下的分类精度不高且对标记样本依赖性较大的问题。

技术领域

本发明属于遥感图像处理与应用技术领域，具体涉及一种基于无监督学习的高光谱影像分类方法。

背景技术

高光谱影像分类是高光谱影像处理、分析和应用中的重要环节之一。其中，在高光谱影像分类的研究中主要应用的是深度学习模型。在训练样本充足的条件下利用深度学习模型能够有效提高了分类结果的精度和鲁棒性。然而，深度学习模型需要大量的标记样本进行网络训练和参数优化，因此其在小样本条件下的分类表现并不理想。众所周知，获取高质量的高光谱影像标记样本费时费力。因此，如何利用极少量的标记样本实现对目标高光谱影像的快速准确分类，即高光谱影像少样例，已经吸引了研究人员的广泛关注。

现有技术中，有以下几种基于小样本的分类方法：(1)《一种扩展属性学轮廓和图卷积模型相结合的半监督分类方法》(Bing Liu,Kuiliang Gao,Anzhu Yu,Wenyue Guo,Ruirui Wang,Xibing Zuo,Semisupervised graph convolutional network forhyperspectral image classification,J.Appl.Rem.Sens.14(2)026516(1June 2020))，该方法首先提取目标高光谱影像的扩展属性学轮廓特征，再利用K邻近算法构建图模型，然后利用包含空谱联合信息的图模型进行训练和分类，与传统分类器和常规深度学习模型相比，该方法在一定程度上提高了高光谱影像在小样本条件下的分类精度。(2)申请公开号为CN109272028A的中国专利申请文档公开了一种基于主动深度学习的高光谱图像分类方法，该方法使用潜在样本的代表性和不确定性来选择训练集的附件样本，将代表性和不确定性两个标准集成到一个新的对象函数中实现，并提出了加权增量字典学习方法，在一定程度上提高了高光谱影像分类精度。(3)《一种面向高光谱影像分类的深度少样例学习方法》，该方法首先利用多幅预收集的高光谱影像构建大规模标记源数据集，然后基于原型网络架构设计了一种新颖的深度三维残差网络进行度量学习，最后结合支持向量机等传统分类器进行训练和分类，与常规的深度学习模型相比，该方法能够在一定程度上提高了高光谱影像少样例分类的精度和鲁棒性。(4)《基于关系网络的端到端的高光谱影像分类框架》，该方法也需要实现利用多幅预收集的高光谱影像构建大规模标记源数据集，然后利用设计的深度残差关系网络进行元训练、微调和分类测试。(5)《一种新颖的高光谱影像交叉域分类方法》，将域适应的思想和高光谱影像少样例分类问题相结合，该方法在利用深度模型进行元学习的同时引入条件对抗域适应策略，以期模型通过元训练能够提取到域不变的深度特征。上述方法中，前两种方法分别基于半监督学习和主动学习的思想进行设计，后三种方法均基于监督元学习的思想，首先利用预收集的标记高光谱影像对深度模型进行元训练，然后利用目标高光谱影像中的标记样本进行微调和分类测试。

上述方法虽然在一定程度上提高了高光谱影像在训练样本受限条件下的分类精度，但是其依然借助了标记样本进行元训练，且在标记样本较少条件下的分类精度仍然不高，对标记样本依赖性仍然较大。

发明内容

本发明提供了一种基于无监督学习的高光谱影像分类方法，用以解决现有技术中少标记样本条件下的分类精度不高且对标记样本依赖性较大的问题。

为解决上述技术问题，本发明提供了一种基于无监督学习的高光谱影像分类方法，其包括：

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；