[发明专利]基于双分支网络的高光谱分类方法

摘要

本发明提供的基于双分支网络的高光谱分类方法，首先，通过数据重采样的方法，既保证训练过程中的每次迭代时输入数据各类别样本数量不是恒定相等的，又能保证在统计学上参与训练的每类样本是均衡的。这样不仅有效缓解了网络学习中的样本不平衡问题，同时保持了数据的多样性；为了提取数据多尺度特征，本发明使用了双分支的网络结构，通过三种训练策略，进行半监督学习，这样不仅扩充了训练集，而且通过集成学习策略，相比于其他分类方法，极大程度的提高了分类精度。本发明提出的基于双分支网络的高光谱分类方法不仅在性能上优于其他方法，而且在训练效率上也优于其他方法。

主权项

1.基于双分支网络的高光谱分类方法，其特征在于，包括以下步骤：步骤1)，将待处理的高光谱图像数据进行预处理，得到预处理后的高光谱图像；步骤2)，将步骤1)中所得的预处理高光谱图像进行制作并划分，得到训练样本和测试样本；步骤3)，将步骤2)中得到的训练样本进行数据重采样，得到一个批次的平衡样本；步骤4)，将步骤3)中得到的一个批次的平衡样本，输入到双分支网络结构中，分别得到特征向量F1和特征向量F2，并将特征向量F1和特征向量F2进行级联得到特征向量F；步骤5)，利用三种训练方式分别对步骤4)中的双分支网络结构进行训练，得到三种训练模型；步骤6)，将测试样本分别输入到步骤5)得到的三种训练模型中进行预测，得到三个测试样本中每类像素点对应的预测标签及该预测标签对应的置信度；步骤7)，若三种训练模型中有两个训练模型预测的测试样本中每类像素点对应的预测标签相同，且该预测标签对应的置信度至少为90％，则将该预测标签假定为真实标签，并将该真实标签对应的测试样本放入步骤2)中的训练样本中，反之，则执行步骤8)；步骤8)，重复迭代步骤3)至步骤7)，直至三种训练模型输出的预测结果趋于稳定为止，得到最终的预测结果。