[发明专利]一种基于双损失函数的高光谱图像开放性分类方法

说明书

本发明为解决现有图像处理中高光谱图像开放性分类方法中大多采用的为针对图像级进行分类，不适用像素级的图像分类；或在分类处理过程中易受噪声和混合像元影响的技术问题，而提供了一种基于双损失函数的高光谱图像开放性分类方法。包括以下步骤：步骤1、对已知三维高光谱图像X和待测试三维高光谱图像S的每个像素分别取邻域块；步骤2、构造特征提取网络，利用高光谱图像X的邻域块数据及其相应的类别标签对特征提取网络进行训练；步骤3、获取相应类别数据的特征向量；步骤4、构造双损失函数分类网络，利用特征向量训练双损失函数分类网络；步骤5、利用双损失函数分类网络及预设的阈值对三维高光谱图像S的邻域块数据进行开放性分类。

技术领域

本发明涉及图像处理领域中关于高光谱图像开放性分类方法，具体涉及一种基于双损失函数的高光谱图像开放性分类方法。

背景技术

高光谱图像分类在农业、环境保护、生态治理等领域有着越来越多的应用。近年来有许多高光谱图像分类算法被提出。但这些算法大都认为测试样本的类别是属于训练样本中已知的类别。然而在实际的场景中，训练样本很难包含所有的类别，测试数据中难免会出现没有训练过的未知类别数据。为了解决这个问题，人们提出了开放性分类算法：判断数据属于未知类别还是属于已知类别中的某一类。

目前有多种类型的开放性分类算法被提出，如One-class SVM、W-SVM、1-vs-setMachine等基于SVM的开放性分类算法；EVM、OSNN等基于邻域的开放性分类算法；OpenMax、对抗样本生产法等基于深度学习的开放性分类算法。但这些算法都是针对灰度图像或者彩色图像设计的，他们都是在图像级进行分类。这些算法并不适用于像素级且具有多个谱段的高光谱图像分类任务。Huang等人发表的论文“Open-Category classification ofhyperspectral images based on convolutional neural networks”（CSAE 2019,Article 123）中提出了一种利用卷积神经网结合阈值的方法对高光谱图像进行开放性分类的方法，然而这种方法只考虑了类间的差异性，没有考虑类内的相似性，容易受噪声和混合像元的影响。

发明内容

本发明的目的是解决现有图像处理中高光谱图像开放性分类方法中大多采用的为针对图像级进行分类，不适用于像素级的图像分类；或在分类处理过程中易受噪声和混合像元影响的技术问题，而提供了一种基于双损失函数的高光谱开放性分类方法，充分考虑数据的类间差异和类内相似性，利用两个损失函数对网络进行训练，提高了高光谱图像开放性分类的准确率。

为达到上述目的，本发明采用的技术方案为：

一种基于双损失函数的高光谱图像开放性分类方法，其特殊之处在于，包括以下步骤：

步骤1、对已知三维高光谱图像X和待测试三维高光谱图像S的每个像素分别取邻域块；

步骤2、构造特征提取网络，利用三维高光谱图像X的邻域块数据及其相应的类别标签对特征提取网络进行训练；

步骤3、获取相应类别数据的特征向量；

步骤4、构造双损失函数分类网络，并利用步骤3获取的特征向量训练双损失函数分类网络；

步骤5、利用已训练好的双损失函数分类网络及预设的阈值Q对待测试三维高光谱图像S的邻域块数据进行开放性分类。

进一步地，步骤1具体为：