[发明专利]一种新的高光谱图像数据半监督分类方法

权利要求书

1.一种新的高光谱图像数据半监督分类方法，其特征在于，该方法包括下述步骤：

步骤一：获取到所有的高光谱数据，并将其作为初始数据；

步骤二：使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据，并获取所有初始数据的伪标签；初始数据的伪标签是通过稀疏子空间聚类直接获得；

步骤三：在CNN1中对所有的初始数据及其伪标签进行预训练；

对于CNN1中分类层中的目标函数，提出了基于度量学习的新的目标函数；

步骤四：利用CNN1除去最后的分类层，再加上全连接层构成了CNN2；

步骤五：将带标签的数据以及它们的标签在CNN2上进行微调；

步骤六：在分类层之后，通过马尔可夫随机场，利用高光谱图像的空间信息，进一步对分类结果进行后处理，提高分类精度。

2.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法，其特征在于，所述初始数据包括标记高光谱数据和未标记高光谱数据；同时利用标记高光谱数据和未标记高光谱数据对CNN1进行训练。

3.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法，其特征在于，所述步骤三中CNN1是指代初始的深层卷积神经网络。

4.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法，其特征在于，所述步骤三中预训练是指把全部的初始数据及其伪标签，放入神经网络CNN1中进行训练；预训练可以通过大量初始数据来预先训练网络CNN1并获得一组适当的参数,可以学习到特征；因为初始数据中标记的数据少，这里用到了未标记的高光谱数据和标记的高光谱数据。

5.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法，其特征在于，所述步骤四中CNN2是指代新的深层卷积神经网络；它是由CNN1去除了最后的分类层，再加全连接层构成的；对于CNN2中分类层的目标函数，就是softmax交叉熵损失函数。

6.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法，其特征在于，所述步骤五中微调是指带有真实标签的数据及其标签作为初始数据，放到CNN2中进行训练。

7.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法，其特征在于，所述步骤六中通过马尔可夫随机场进一步利用其空间信息，具体表现为在图像分类任务中，马尔可夫随机场鼓励相邻像素具有相同的类标签；这可以进一步提高高光谱图像分类任务的分类准确率；马尔可夫随机场的作用是假设相邻像素更可能属于同一类，鼓励邻近像素属于同类标签。