[发明专利]基于伪标签学习的小样本高光谱图像分类方法

说明书

本发明提供了一种基于伪标签学习的小样本高光谱图像分类方法。首先，以高光谱像素点为中心对其周围像素采样，生成高光谱样本，以少量带标签样本构建小样本数据集，并利用其为未标记样本分配软‑伪标签，从而得到辅助数据集；然后，使用小样本数据集和辅助数据集共同训练由共享的特征提取器和两个不同的分类器构成的二分支深度神经网络；最后，利用训练好的网络对测试数据预测标签，实现分类处理。本发明方法通过有效地利用未标记样本的潜在信息，可以提高小样本高光谱图像分类的准确率。

技术领域

本发明属高光谱图像处理技术领域，具体涉及一种基于伪标签学习的小样本高光谱图像分类方法。

背景技术

高光谱图像可表示为3维数据立方体，包含丰富的空-谱信息，因此被广泛应用于遥感领域，如环境监测、军事监视等。高光谱图像分类是高光谱图像分析的重要任务之一，旨在为每个像素分配预定义的类别标签。许多传统的机器学习方法被应用于高光谱图像分类，但是其固有的浅层结构很难高效的学习判别特征，因此其分类性能有待提高。不同于传统的机器学习方法，深度神经网络具有强大的特征表示能力，同时为解决深层神经网络的梯度消失问题，文献“Zhong Z,Li J,Luo Z,et al.Spectral–spatial residual networkfor hyperspectral image classification:A3-D deep learning framework[J].IEEETransactions on Geoscience and Remote Sensing,2017,56(2):847-858.”使用残差学习结构分别提取光谱和空间特征对高光谱图像进行分类，取得了不错效果。但是深度神经网络的成功依赖于大量的标记样本，这在实际应用中是难以获得的，因此需要使用有限的标记样本训练高精度的深度神经网络模型。而仅使用少量标记样本进行训练又会导致模型过拟合，无法在测试数据上有效泛化。

发明内容

为了克服现有技术的不足，本发明提供一种基于伪标签学习的小样本高光谱图像分类方法。首先，以高光谱像素点为中心对其周围像素进行采样，生成高光谱样本，以少量带标签的高光谱样本构建小样本数据集，并利用其为未标记样本分配软-伪标签，从而得到辅助数据集；然后，使用小样本数据集和辅助数据集共同训练由共享的特征提取器和两个不同的分类器构成的二分支深度神经网络；最后，利用训练好的网络对测试数据预测标签，实现分类处理。本发明方法通过有效地利用未标记样本的潜在信息，可以提高小样本高光谱图像分类的准确率。

一种基于伪标签学习的小样本高光谱图像分类方法，其步骤如下：

步骤1：以高光谱像素点为中心对其周围像素进行采样，生成高光谱数据样本，并以带标签的样本构成小样本数据集T＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中，表示第i个标记样本，w为采样窗口的大小，w取值为3、5或7，d为高光谱图像的波段数，为第i个标记样本的标签，标签y_i采用独热编码的形式，为L维向量，L为类别数，i＝1,2,…,n，n为标记样本数量；以无标签样本构成测试数据集U＝{z₁,z₂,…,z_m}，其中，表示第j个未标记样本，j＝1,2,…,m，m为未标记样本的数量；所述的标记样本数量n的取值为L、3*L、5*L，所述的未标记样本数量m的取值为样本总数与标记样本数量之差；