[发明专利]一种结合混合像元分解与主动学习的半监督分类方法

说明书

本发明涉及高光谱遥感技术领域，公开了一种结合混合像元分解与主动学习的半监督分类方法。该方法包括：在待分类的影像样本中，选取已知类别样本为已标记样本，形成已标记样本集；对影像中未标记样本进行混合像元分解得到样本丰度信息；根据已标记样本以及未标记样本的丰度信息，构建主动学习样本集；将主动学习样本集的样本合并到已标记样本集中，利用合并后的已标记样本集对影像进行分类，得到分类结果。通过结合混合像元分解以及主动学习的方式对影像进行的分类，可以在样本较少的情况下提高分类的精度，有效减轻样本标记的工作量，减少分类器训练所需时间。

技术领域

本发明涉及高光谱遥感技术领域，尤其涉及一种结合混合像元分解与主动学习的半监督分类方法。

背景技术

由于高光谱遥感数据具有成百上千的光谱波段，使其对监督分类中训练样本的需求大幅增加，而获取足够的训练样本往往需要较多的时间和精力，尤其是对于完全未知的研究区，地面调查需要消耗大量的人力物力。所以，如何能够在仅有少量标记样本的情况下，通过利用一定标记样本来挖掘未标记样本的潜在标记，并将其加入到分类器中来辅助分类，从而改善分类器性能，成为了高光谱数据分类的重要问题之一。

高光谱半监督分类方法就是在这一背景下提出的。半监督分类方法同时利用少量的已知类别样本和对未标记样本标记类别，综合对整个数据进行分类，对高光谱遥感数据的小样本分类具有重要意义。其中，主动学习是半监督分类的一种常用学习方法，其基本思想为：允许学习算法在大量未标记样本中通过询问机制来选取信息量最丰富的样本，通过人机交互进行类别标注，以此来实现用最少的标记样本获得最高分类精度的目的。与被动学习模式相比，主动学习策略可以有效的降低样本复杂度，提高运算效率。

现有的高光谱半监督分类方法对训练样本的需求不断增多，然而获取训练样本是较为困难的，导致现有的分类方法只能通过较少的训练样本进行分类，在这种情况下分类的精度往往达不到理想的效果。

发明内容

本发明要解决的技术问题是：解决现有的高光谱半监督分类方法在训练样本较少的情况下精度不够问题。

为实现上述的发明目的，本发明提供了一种结合混合像元分解与主动学习的半监督分类方法，包括：

在待分类的影像样本中，选取已知类别样本为已标记样本，并形成已标记样本集；其余的样本为未标记样本；

根据所述已标记样本以及未标记样本，构建主动学习样本集；

将所述主动学习样本集的样本合并到所述已标记样本集中，利用合并后的已标记样本集对所述影像进行分类，得到分类结果；

其中，

所述未标记样本为所述影像样本中未知类别样本；

所述构建主动学习样本集，是通过混合像元分解以及主动学习结合的方法实现的。

优选地，所述混合像元分解以及主动学习结合的方法，包括：

根据所述已标记样本对所述影像样本进行全约束最小二乘混合像元分解，得到各个影像样本的丰度信息；

根据所述混合像元分解的结果以及预设的主动学习参数，在所述未标记样本集中，选择丰度最均匀样本以及最易误分样本，并移动到所述主动学习样本集中，同时更新所述未标记样本集。

优选地，所述丰度信息为每个影像样本的若干个丰度值，每个丰度值代表一个类别。

优选地，所述根据所述已标记样本对所述影像样本进行全约束最小二乘混合像元分解，包括：

获取所述各个已标记样本的类别的平均光谱曲线；

以所述平均光谱曲线作为端元，进行所述影像样本的全约束最小二乘混合像元分解，得到各个影像样本的丰度信息。