[发明专利]基于深度联合分布适配网络的高光谱图像迁移分类方法

摘要

一种基于深度联合分布适配网络的高光谱图像迁移分类方法，步骤为：输入源域和目标域的高光谱图像，进行特征归一化与维度统一；组合源域和目标域高光谱图像的特征；构建边缘概率分布适配网络，进行源域和目标域高光谱图像的边缘概率分布适配；按照一对多分类原理，选取源域和和少量的目标域高光谱图像的训练样本；构建条件概率分布适配网络，进行源域和目标域高光谱图像的条件概率分布适配；对目标域高光谱图像进行一对多分类。本发明提出了基于深度联合分布适配网络，实现了源域和目标域高光谱图像的特征适配，减小了两者的联合概率分布差异；同时，采用一对多分类模型，提高了类内与类间的区分性，进而提高了高光谱图像迁移分类的准确度。

主权项

1.一种基于深度联合分布适配网络的高光谱图像迁移分类方法，其特征在于，步骤如下：(1)读取源域和目标域的高光谱图像，进行特征归一化与维度统一：(1a)分别对源域和目标域的高光谱图像的光谱特征进行线性归一化，使其分布在0与1之间；(1b)如果源域和目标域的高光谱图像的光谱维度不同，对维度低的高光谱图像进行补零，使之与维度高的图像实现维度统一；(2)组合源域和目标域高光谱图像的特征：(2a)将源域高光谱图像的光谱特征向量化为XS，将目标域高光谱图像的光谱特征向量化为XT；(2b)将源域和目标域的光谱特征组合成一个向量集合X＝[XS XT]；(3)构建三层条件概率分布适配网络，进行源域和目标域高光谱图像的边缘概率分布适配：(3a)利用一个线性去噪编码器与一个非线性编码器，构建第一层边缘概率分布适配网络：对样本x_i，通过随机对各个维度特征置零，得到M个被扰动的版本，其中第m个被扰动的版本为x′_i,m；通过线性去噪编码器对x′_i,m线性隐射以恢复原样本，优化权重W的目标方程如下：其中，第一项为平均重建误差，第二项为边缘惩罚项，λ表示平衡因子，N_S和N_T分别表示源域高光谱和目标域高光谱的样本数，N为总的样本数，即N＝N_S+N_T；令被扰动的样本矩阵X′_m＝[x′_1,m,x′_2,m,…,x′_N,m]，M倍的原样本矩阵M个被扰动的样本矩阵组合X′＝[X′₁,X′₂,…,X′_M]，这样上式目标方程转化为其中，D表示差异指数矩阵，定义为这样，线性去噪编码器权重W有如下闭合解：之后，采用一个非线性编码器对特征进行非线性隐射，公式如下这里，表示第一层边缘概率分布适配网络的输出；(3b)按照如上(3a)步骤，利用一个线性去噪编码器与一个非线性编码器，构建第二层边缘概率分布适配网络，求解线性去噪编码器的权重，并对源域和目标域光谱特征进行适配，得到第二层网络的输出(3c)按照如上(3a)步骤，利用一个线性去噪编码器与一个非线性编码器，构建第三层边缘概率分布适配网络，求解线性去噪编码器的权重，并对源域和目标域光谱特征进行适配，得到第三层网络的输出(4)按照一对多分类原理，选取源域和目标域高光谱图像的训练样本：对9类分类，选取源域高光谱图像各个类别500个样本和目标域高光谱图像各个类别1％的样本，按照一对多分类原理形成9个训练样本集，每个训练集样本标签为属于该类(表示为1)和不属于该类(表示为0)，样本特征即为第三层网络的输出(5)构建9个三层条件概率分布适配网络，进行源域和目标域高光谱图像的条件概率分布适配：(5a)先初始化三层条件概率分布适配网络的权重和偏置参数，再利用第c个训练样本集逐层预训练各层网络；第k层条件概率分布适配网络的编码过程和解码过程如下：其中，和分别表示第k层网络的输入、隐含表示和输出，f(·)和g(·)分别为编码和解码的非线性函数，W₁^k和分别为编码过程的权重和偏置，和分别为解码过程的权重和偏置，*表示S(源域)或者T(目标域)；预训练权重和偏置参数的目标方程为：其中，第一项表示在训练样本上的平均重建误差，第二项为权重惩罚项，防止权重过大，N_train表示训练样本数量，λ′表示权重惩罚因子；利用反向传播算法求解上式；(5b)预训练完后，第三层条件概率分布适配网络的隐含输出作为优化后的样本特征；(5c)在第三层条件概率分布适配网络后连接softmax分类器，将训练样本优化后的特征和类别标签输入到分类器，优化softmax分类器的权重和偏置参数；(5d)对条件概率分布适配网络由顶层到底层进行微调，进一步优化各个网络的参数；反向微调整个网络权重和偏置参数的目标方程为：其中，第一项为编码层总的重建误差，第二项为条件惩罚项，用于减小源域和目标域样本条件概率分布的差异；和分别为第c类源域高光谱和目标域高光谱的样本数；同样，利用反向传播算法求解上式，得到微调后的各层条件概率分布适配网络和softmax分类器的参数；(5e)按照上述(5a)‑(5d)的步骤，分别利用9个训练样本集训练获得9个三层条件概率分布适配网络，实现源域和目标域高光谱图像的条件概率分布适配；(6)对目标域高光谱图像进行一对多分类：(6a)将目标域高光谱图像的测试样本集输入到第c个条件概率分布适配网络，网络优化后的特征是第三层条件概率分布适配网络的隐含输出(6b)利用训练好的softmax分类器对测试样本进行分类，获得属于第c类的预测概率：其中，W_j^K和分别对应softmax分类器的部分权重和偏置；(6c)按照上述(6a)‑(6b)的步骤，将目标域高光谱图像的测试样本集分别输入到9个条件概率分布适配网络和softmax分类器，获得样本属于各个类别的概率；(6d)对比属于各个类别预测概率的大小，取最大概率对应的类别作为各个样本的预测标签，具体如下(6e)按照预测标签向量和测试样本的空间位置，输出目标域高光谱图像的分类结果图。