[发明专利]基于数据增广和分类器融合的高光谱图像分类方法

摘要

本发明提供了一种基于数据增广和分类器融合的高光谱图像分类方法。首先，对高光谱图像数据进行预处理，并随机选择得到初始训练样本；然后，通过建立一个数据混合模型，指数级地扩充有标签的训练样本；接着，使用扩充的数据集训练基于卷积神经网络的分类器；最后，使用投票策略对多个分类器的结果进行融合，获得最终的分类结果。本发明方法能够避免卷积神经网络训练中的局部最小和过拟合问题、减少随机性的影响，在有限的有标签的训练样本的情况下，也能获得较好的分类效果。

主权项

1.一种基于数据增广和分类器融合的高光谱图像分类方法，其特征在于包括以下步骤：步骤1：对于高光谱图像数据其类别标签矢量为其中，表示第i个样本数据，是第i个样本数据的one‑hot标签，i＝1,2,...,n，n为样本总数，b表示光谱维数，L表示样本的类别总数；将高光谱图像数据X中的每个样本归一化至0～1范围内，然后从中随机地选择m个样本数据及其类别标签，得到训练数据和其对应的类别标签其中，m<n；步骤2：对步骤1得到的训练数据和其对应的标签进行混合，得到扩充的训练数据集，其中，混合采用的数据模型为：其中，x_i,x_j∈X_train，y_i,y_j∈Y_train，i,j∈[1,2,...,m]，λ∈[0,1]为随机混合系数，为新的混合样本，为对应的one‑hot标签，表示扩充后的训练数据集，k∈[1,2,...,m²]；步骤3：建立由三层卷积层和一个全连接层组成的卷积神经网络分类器，表示整个卷积神经网络的映射函数，θ_t表示网络参数，t∈[1,2,...,T]，在本发明中T＝10，共得到T个分类器；利用反向传播算法求解如下优化问题来进行网络训练，得到网络的最优参数其中，表示交叉熵损失函数，||·||₂为L2范数；所建立的卷积神经网络分类器的结构为：第一层卷积层，输出空间的维度为16，一维卷积窗口的大小为8，卷积步长为3，padding设置为valid，并用ReLU激活；第二层卷积层，输出空间的维度为32，一维卷积窗口的大小为3，卷积步长为2，padding设置为valid，并用ReLU激活；第三层卷积层，输出空间的维度为64，一维卷积窗口的大小为3，卷积步长为2，padding设置为valid，并用ReLU激活；全连接层的输出空间的维度为输入数据的类别数；步骤4：对于测试样本x∈X，将其输入训练好的网络，得到预测结果为网络输出值，即预测x属于各个类别的概率，根据输出的某一类的最大概率预测x所属的类别标签，p^(t)∈[1,2,...,L]为第t个分类器的预测结果；然后，采用投票策略获得最终的分类结果，即：y'＝f(p⁽¹⁾,p⁽²⁾,...,p^(T))                         (3)其中，y'为最终的分类结果，f(·)为融合函数，即选择出现频率最高的类别标签，如果有两个类别出现的频率相同，则随机选择其中的一个类别作为最终的分类结果。