[发明专利]一种基于图信号采样的高光谱图像主动学习方法

说明书

本发明公开了一种基于图信号采样的高光谱图像主动学习方法，包括：读取三维高光谱图像数据后重排列，将其类别标签作为图信号，利用高光谱图像数据构建权重矩阵，表征图信号点之间的连接关系；保留空间8近邻连接，稀疏化权重矩阵；计算度矩阵、归一化权重矩阵、归一化图拉普拉斯矩阵、二阶图拉普拉斯矩阵；获取初始训练样本作为图信号初始采样点；利用图采样方法采样出图信号非采样集中连接最弱的像素点；将采样像素点加入图信号采样集；判断采样像素点是否属于测试集，若属于测试集则给与专家标签并加入训练集、移出测试集；使用图重构分类方法验证分类精度；判断训练样本数是否达到设定值，如未达到继续主动学习，达到则退出主动学习过程。

技术领域

本发明涉及高维图像处理技术领域，具体涉及一种基于图信号采样的高光谱图像主动学习方法。

背景技术

高光谱图像由高的光谱分辨率的传感器获取，通常以上百个波段同时对地物成像。与其他遥感图像相比，高光谱图像有以下特点：数据量大、光谱波段多、相邻波段的相似性高、数据冗余度高。高光谱图像的光谱分辨率能达到纳米级，“图谱合一”的高光谱图像含有丰富的空间信息、光谱信息，由此发展的高光谱图像分类技术能够利用空间信息和光谱特征实现地物的精细分类与识别。另外，高光谱图像分类技术可用于识别全色图像、多光谱图像难以识别的地物类别，因而已在农业、林业、海洋、城市、军事、天文等领域发挥着越来越重要的作用。

高光谱图像存在数据维度高、标记样本困难等问题，许多分类方法虽然可以利用高光谱数据中丰富的光谱-空间信息取得不错的分类效果，但大部分方法需要的训练样本较多，且标记的训练样本对分类性能的提升效果并不显著。因此，针对数据量大、标记样本少的高光谱图像，设计合适的主动学习方法从大量无标记样本中学习出最能提升分类性能的样本点，进而通过专家标记这些最有效的样本实现高精度的高光谱图像分类，是高光谱图像分类领域较为重要的研究方向之一。

基于后验概率的主动学习方法虽然能够学习出高光谱图像中较为重要的对分类性能有提升效果的样本点，但该类方法依赖于特定的分类器且受制于分类器的提升速度。因此该类主动学习方法对高光谱图像分类的提升效果以及随标记样本数量增多的分类精度收敛速度有待提高。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于图信号采样的高光谱图像主动学习方法，将高光谱图像的像素类别标签作为图信号，利用高光谱数据建立了图信号点之间的连接，然后从图信号采样的角度设计了适用于高光谱图像的主动学习方法，并利用图信号重构分类器对高光谱图像分类。所述主动学习方法从信号处理的角度十分适用于图信号重构分类器，并能够提升高光谱图像分类精度随标记样本数量增长的速度。

本发明的目的可以通过如下技术方案实现：

一种基于图信号采样的高光谱图像主动学习方法，所述方法包括以下步骤：

S1、读取三维高光谱图像数据立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；

S2、将步骤S1的三维高光谱图像数据按像素位置顺序重排列成二维矩阵I(k,b)，其中k表示像素点标号，k是[1,V]范围内的整数，V是像素点总数，b表示所处光谱波段位置；

S3、将高光谱图像类别标签作为图信号，并利用高光谱图像数据计算所有像素点之间的去样本均值的相关系数，将其作为图信号点之间的相似性连接关系，生成权重矩阵W；

S4、只连接每个像素点与其空间8近邻的像素点，将步骤S3的权重矩阵W中每个像素点与自身以及与空间8近邻之外的其他像素点的连接权重置0，得到稀疏化的权重矩阵以此矩阵表示图信号点之间优化后的连接关系；

S5、计算度矩阵D、归一化权重矩阵归一化图拉普拉斯矩阵L，以及二阶图拉普拉斯矩阵L²；

S6、获取初始训练样本，将初始训练样本作为图信号初始采样点；