[发明专利]基于深度多特征主动迁移网络的高光谱图像分类方法

摘要

本发明提出了一种基于深度多特征主动迁移网络的高光谱图像分类方法，用于解决现有技术中存在的分类精度低的技术问题。实现步骤为：获取待分类源域和目标域高光谱图像；对待分类源域高光谱图像进行预处理；获取源域标记样本集、训练样本集、候选样本集和测试样本集；构造源域深度光谱特征提取网络，并提取源域标记样本集的深度光谱特征；构造源域深度空间特征提取网络，并提取源域标记样本集的深度空间特征；构造源域深度光谱‑空间联合特征提取与分类网络；使用源域深度多特征主动迁移网络对待分类目标域高光谱图像进行分类。本发明能够利用少量训练样本实现对一幅高光谱图像的不同区域或两幅同一地点不同时刻获取的高光谱图像的高精度分类。

主权项

1.一种基于深度多特征主动迁移网络的高光谱图像分类方法，其特征在于，包括如下步骤：(1)获取待分类源域和目标域高光谱图像：从输入的一幅高光谱图像中随机选取包含相同类别的两个区域上的图像，作为待分类源域高光谱图像X和待分类目标域高光谱图像Y，或者将输入的同一地点在不同时刻获取的两幅高光谱图像，作为待分类源域高光谱图像X和待分类目标域高光谱图像Y；(2)对待分类源域高光谱图像进行预处理：(2a)将待分类源域高光谱图像X转化为二维高光谱数据X*，X*∈Rp×i，并对X*上所有样本点的光谱信息进行归一化，得到待分类源域高光谱图像X的光谱特征Hspe，其中，p表示X包含的光谱谱带个数，i表示X在空间上包含的带类标样本点的个数；(2b)利用扩展多属性剖面方法提取待分类源域高光谱图像X的二维空间多结构特性的形态学纹理特征X**，X**∈Rq×i，并对X**进行归一化，得到待分类源域高光谱图像X的空间特征Hspa，其中，q表示X包含的形态学纹理特征个数，i表示X在空间上包含的带类标样本点的个数；(3)获取源域标记样本集、训练样本集、候选样本集和测试样本集：(3a)将待分类源域高光谱图像X转化为二维高光谱数据X*，X*∈Rp×i，并将X*中每个样本与其真实地物类标相对应，再将每个样本对应的类别标号按照从小到大的顺序排列，得到源域标记样本集Xa；(3b)对Xa进行划分，并将划分得到的三个样本子集作为训练样本集Xtra、候选样本集Xcandi和测试样本集Xtes；(4)构造源域深度光谱特征提取网络，并提取标记样本集的深度光谱特征：(4a)构造源域深度光谱特征提取网络：构造包含1个输入层、k‑1个隐藏层的源域深度光谱特征提取网络，输入层的节点数目等于待分类源域高光谱图像X包含的光谱谱带个数p，隐藏层的节点数目逐层递减，最后一个隐藏层的节点数目为a，a＜p，其中，k是网络的总层数，且k≥3；(4b)将源域标记样本集Xa中每个样本点与该样本点所在空间位置上的光谱特征相对应，得到源域标记样本集Xa的光谱特征Hspe‑a、训练样本集Xtra的光谱特征Hspe‑tra、候选样本集Xcandi的光谱特征Hspe‑candi和测试样本集Xtes的光谱特征Hspe‑tes；(4c)对源域深度光谱特征提取网络进行预训练：将训练样本集Xtra的光谱特征Hspe‑tra作为源域深度光谱特征提取网络的输入，对源域深度光谱特征提取网络进行迭代训练，得到预训练后的源域深度光谱特征提取网络，并将Hspe‑tra输入到该网络，得到Xtra的深度光谱特征Hdspe‑tra；(4d)对逻辑回归分类器进行预训练：将Hdspe‑tra作为逻辑回归分类器的输入，对Xtra中的样本点进行类标预测，并根据预测获得的预测类标值对逻辑回归分类器进行迭代训练，得到预训练后的逻辑回归分类器；(4e)采用主动学习方法，对预训练后的源域深度光谱特征提取网络进行微调，得到微调后的源域深度光谱特征提取网络；(4f)将源域标记样本集Xa的光谱特征Hspe‑a输入到微调后的源域深度光谱特征提取网络，得到Xa的包含a个特征的深度光谱特征Hdspe‑a；(5)构造源域深度空间特征提取网络，并提取标记样本集的深度空间特征：(5a)构造源域深度空间特征提取网络：构造包含1个输入层、g‑1个隐藏层的源域深度空间特征提取网络，输入层的节点数目等于待分类源域高光谱图像X包含的空间纹理特征个数q，隐藏层的节点数目逐层递减，最后一个隐藏层的节点数目为c，且c＜q，其中，g是网络的总层数，且g≥3；(5b)将源域标记样本集Xa中每个样本点与和该样本点所在空间位置上的空间特征对应，获得源域标记样本集Xa的空间特征Hspa‑a、训练样本集Xtra的空间特征Hspa‑tra、候选样本集Xcandi的空间特征Hspa‑candi和测试样本集Xtes的空间特征Hspa‑tes；(5c)对源域深度空间特征提取网络进行预训练：将训练样本集Xtra的空间特征Hspa‑tra作为源域深度空间特征提取网络的输入，对源域深度空间特征提取网络进行迭代训练，得到预训练后的源域深度空间特征提取网络，并将Hspa‑tra输入到该网络，得到Xtra的深度空间特征Hdspa‑tra；(5d)对逻辑回归分类器进行预训练：将Hdspa‑tra作为逻辑回归分类器的输入，对Xtra中的样本点进行类标预测，并根据预测获得的预测类标值对逻辑回归分类器进行迭代训练，得到预训练后的逻辑回归分类器；(5e)采用主动学习方法，对预训练后的源域深度空间特征提取网络进行微调，得到微调后的源域深度空间特征提取网络；(5f)将源域标记样本集Xa的空间特征Hspa‑a输入到微调后的源域深度空间特征提取网络，得到Xa的包含c个特征的深度空间特征Hdspa‑a；(6)构造源域深度光谱‑空间联合特征提取与分类网络：(6a)将深度光谱特征Hdspe‑a与深度空间特征Hdspa‑a堆叠在一起，得到包含d个特征的整合特征Hspe‑spa，d＝a+c；(6b)构造包含1个输入层、h‑2个隐藏层和1个输出层的源域深度光谱‑空间联合特征提取与分类网络，输入层的节点数目等于整合特征Hspe‑spa包含的特征个数e，隐藏层的节点数目逐层递减，最后一个隐藏层的节点数目为e，且e＜d，输出层节点个数等于待分类源域高光谱图像包含的地物目标类别个数C，其中，h是网络的总层数，且h≥4；(6c)将源域标记样本集Xa中每个样本点与和该样本点所在空间位置上的整合特征对应，获得源域标记样本集Xa的整合特征Hspe‑spa‑a、训练样本集Xtra的整合特征Hspe‑spa‑tra、候选样本集Xcandi的整合特征Hspe‑spa‑candi和测试样本集Xtes的整合特征Hspe‑spa‑tes；(6d)对源域深度光谱‑空间联合特征提取与分类网络进行预训练：将训练样本集Xtra的整合特征Hspe‑spa‑tra作为源域深度光谱‑空间联合特征提取与分类网络的输入，对源域深度光谱‑空间联合特征提取与分类网络进行迭代训练，得到预训练后的源域深度光谱‑空间联合特征提取与分类网络，并将Hspe‑spa‑tra输入到该网络，得到Xtra的深度光谱‑空间联合特征Hdspe‑dspa‑tra；(6e)对逻辑回归分类器进行预训练：将Hdspe‑dspa‑tra作为逻辑回归分类器的输入，对Xtra中的样本点进行类标预测，并根据预测获得的预测类标值对逻辑回归分类器进行迭代训练，得到预训练后的逻辑回归分类器；(6f)采用主动学习方法，对预训练后的源域深度光谱‑空间联合特征提取与分类网络与预训练后的逻辑回归分类器进行微调，得到微调后的源域深度光谱‑空间联合特征提取与分类网络与微调后的逻辑回归分类器；(6g)将测试样本集Xtes的整合特征Hspe‑spa‑tes输入到源域深度光谱‑空间联合特征提取与分类网络，并将得到的深度光谱‑空间联合特征Hdspe‑dspa‑tes输入到微调后的逻辑回归分类器，得到Xtes的预测类标值；(7)使用源域深度多特征主动迁移网络对待分类目标域高光谱图像进行分类：(7a)获取源域训练样本集Xs‑tra、目标域标记样本集Xt、候选样本集Xt‑candi和测试样本集Xt‑tes；(7b)使用样本迁移的方法将源域微调后的深度光谱特征提取网络、微调后的深度空间特征提取网络和微调后的深度光谱‑空间联合特征提取与分类网络迁移到待分类目标域高光谱图像Y上，得到目标域深度多特征主动迁移网络；(7c)将目标域图像的测试样本集Xt‑tes作为目标域深度多特征主动迁移网络的输入，对Xt‑tes进行分类，得到待分类目标域高光谱图像Y的分类结果，即高光谱图像分类方法。