[发明专利]一种新的高光谱图像数据半监督分类方法

说明书

本发明公开了一种新的高光谱图像数据半监督分类算法，该方法为，首先获取到所有的高光谱数据，并将其作为初始数据；其次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；其次在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；之后利用CNN1除去最后的分类层，再加上全连接层构成了CNN2；之后将带标签的数据以及它们的已知真实标签对CNN2进行微调。本发明是通过利用伪标签进行高光谱图像分类的半监督深度学习机制；用两段式训练，扩展了训练信息；为了更好的掌握高光谱样本结构特征的问题，在预训练阶段提出了新的目标函数。

技术领域

本发明属于高光谱图像分类领域，涉及数据半监督分类技术，具体是一种新的高光谱图像数据半监督分类方法。

背景技术

经过20世纪后半叶的发展,遥感技术在理论、技术及应用方面发生了重大的变化。其中，高光谱图像遥感技术无疑是遥感技术重大变化中十分重要的一个方面。高光谱图像遥感技术,利用高光谱传感器/成像光谱仪以数十至数百个连续细分的波段对目标区域同时成像，将图像与光谱结合，同时获取空间及光谱信息，得到以像素为单位的高光谱图像。该图像含有大量的光谱信息，能够采集目标在电磁波谱的紫外、可见光、近红外和中红外区域的辐射或反射信息。

高光谱遥感数据包含了丰富的空间信息和光谱信息。高光谱图像最主要的特点就是可以同时获得地物的连续光谱和地表空间图像，将光谱维信息和传统的空间维图像信息融合在了一起。高光谱图像分类的过程就是根据图像像元的光谱特征信息和空间特性信息，对每个像元或比较匀质的像元组划分类别的过程。

发明内容

本发明提出了一种高光谱图像数据半监督分类算法，该算法在概率框架中集成了光谱信息和空间信息；先通过稀疏子空间聚类获得全部数据的伪标签进行预训练，并在预训练阶段加了度量学习正则化项来构造新的目标函数；然后用带标签的数据及其标签进行微调；然后使用马尔可夫随机场作为图像后处理，进一步利用空间信息。

本发明的目的在于提供一种新的高光谱图像数据半监督分类方法。

本发明的目的可以通过以下技术方案实现：

一种新的高光谱图像数据半监督分类方法，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。

进一步地，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。

进一步地，所述步骤三中CNN1是指代初始的深层卷积神经网络。

进一步地，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。