[发明专利]一种基于卷积宽度迁移网络的高光谱图像分类方法

说明书

本发明公开了一种基于卷积宽度迁移网络的高光谱图像分类方法，首先使用波段选择对原始高光谱图像进行预处理，去除波段冗余；然后通过在卷积神经网络中加入领域适应层同时对齐源域和目标域边缘概率分布和二阶统计量信息，并得到卷积领域适配网络以提取原始高光谱数据中深层领域不变性特征。接着提出加权条件最大均值差异，并将基于加权条件最大均值差异的正则项加入宽度网络，得到加权条件宽度学习网络以减少两域条件概率分布差异和类权重偏差，同时对特征进行宽度扩展。最后通过岭回归理论快速计算出输出权值。本方法可仅使用利用源域标记样本完成对目标域高光谱图像的无监督分类。

技术领域

本发明涉及模式识别技术领域，具体涉及一种基于卷积宽度迁移网络的高光谱图像分类方法。

背景技术

高光谱图像包含丰富的光谱和空间信息，具有“图谱合一”的特点。这一特点使它被广泛应用于农业、矿物勘探、国防安全等领域。现今高光谱图像分类已成为研究热点，其旨在根据高光谱图像光谱和空间信息推断出图像中每个像素所属的类别。许多算法被提出以提高高光谱图像的分类精度，包括支持向量机、稀疏表示及卷积神经网络等。这些监督学习算法的优良分类性能往往需要大量的标记样本作为支撑。但是，对高光谱数据进行标记需要耗费大量的人力和物力，获得大规模标记数据非常困难。因此，怎样在低标注代价下学习出泛化能力强的分类模型是现今高光谱图像分析领域的研究热点。为解决上述问题，一些机器学习算法被提出，包括主动学习、半监督学习和数据增强等。

不同于主动降低标记成本的主动学习以及从未标记样本中获取信息的半监督学习，迁移学习能够将知识从相关领域迁移到其他领域，也就是从源域迁移到目标域。当目标域不存在标记样本或标记样本量不足时，迁移学习能够利用源域中相同或相似标签的样本解决目标域的分类问题。

深度学习具有强大的非线性表示能力，能够提取输入的高级、紧凑特征。而卷积神经网络作为深度学习最为出名的模型，具有强特征提取能力。鉴于上述优势，基于卷积神经网络的迁移学习模型非常具有研究价值。

最近提出的宽度学习系统是一个仅由三层构成的前向神经网络模型，所述三层包括输入层、中间层、输出层。相较于深度学习，宽度学习能够实现对特征的扩展，且具有结构简单、计算速度快和易于与其他模型相结合等优点。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提出一种基于卷积宽度迁移学习网络的高光谱图像分类方法，能够仅利用源域标记样本完成对目标域高光谱图像的无监督分类。

技术方案：本发明的一种基于卷积宽度迁移网络的高光谱图像分类方法，包括如下步骤：

步骤1，使用波段选择对原始高光谱图像进行降维处理，去除波段冗余，得到降维后的高光谱数据X₀，高光谱数据X₀包括经降维后的源域数据和目标域数据

步骤2，构造领域适配层并加入卷积神经网络中，同时对齐源域和目标域边缘概率分布和二阶统计量信息，得到卷积领域适配网络CDAN，使用卷积领域适配网络CDAN对目标域数据进行分类，得到目标域伪标签。

进一步的，本发明的一种基于卷积宽度迁移网络的高光谱图像分类方法，还包括，

步骤3，结合源域标签、目标域伪标签和最大均值差异构建加权条件最大均值差异WCMMD，将基于加权条件最大均值差异WCMMD的领域适配正则项加入到MF映射过程中，得到加权条件宽度学习网络WCBN；

步骤4，将经CDAN提取到的特征输入给WCBN，利用WCBN对经CDAN提取到的深度领域不变性特征进行加权条件概率分布对齐，并对领域不变性特征进行特征宽度拓展；

步骤5，通过岭回归理论计算出输出权值。

进一步的，步骤2具体包括如下内容：