[发明专利]一种高光谱影像小样本分类方法及装置

权利要求书

1.一种高光谱影像小样本分类方法，其特征在于，该方法包括以下步骤：

(1)输入高光谱影像；

(2)利用形态学属性剖面算法构造所述高光谱影像的形态学属性剖面；

(3)在所述高光谱影像的形态学属性剖面中，选取待分类像素设定邻域范围内的数据立方体作为该像素的形态学属性剖面立方体，进而得到所述高光谱影像的形态学属性剖面立方体；

(4)根据所述高光谱影像的形态学属性剖面立方体得到所述高光谱影像的特征向量；

(5)将所述高光谱影像的特征向量输入预先训练好的分类模型完成高光谱影像分类。

2.根据权利要求1所述的高光谱影像小样本分类方法，其特征在于，采用不同尺度的滑动窗口对所述高光谱影像的形态学属性剖面立方体进行多粒度扫描，根据扫描结果得到所述高光谱影像的特征向量。

3.根据权利要求2所述的高光谱影像小样本分类方法，其特征在于，将一个扫描结果作为一个实例，将一个实例分别输入一个完全随机森林和一个普通随机森林得到该实例的两个特征向量，将所有实例的特征向量进行连接作为所述高光谱影像的特征向量。

4.根据权利要求1-3任一项所述的高光谱影像小样本分类方法，其特征在于，所述预先训练好的分类模型是深度森林分类模型，所述深度森林分类模型采用级联结构进行连接。

5.根据权利要求4所述的高光谱影像小样本分类方法，其特征在于，所述深度森林分类模型的每一层设置两个完全随机森林和两个普通随机森林，所述完全随机森林中每棵决策树的每个叶节点上均随机选择一个特征进行分割并生长；所述普通随机森林中每棵决策树的每个叶节点通过随机选择个特征作为候选特征，d是输入特征的个数，并选择基尼系数最好的特征进行分割并生长。

6.根据权利要求1-3任一项所述的高光谱影像小样本分类方法，其特征在于，所述预先训练好的分类模型是利用支持向量机或卷积神经网络训练好的分类模型。

7.根据权利要求4所述的高光谱影像小样本分类方法，其特征在于，所述高光谱影像的形态学属性剖面通过以下步骤得到：利用主成分分析法提取所述高光谱影像中的前N个主成分，N≥1，利用形态学属性剖面算法对所述前N个主成分中的每个主成分均构造形态学属性剖面，然后将前N个主成分的形态学属性剖面进行综合得到所述高光谱影像的形态学属性剖面。

8.根据权利要求4所述的高光谱影像小样本分类方法，其特征在于，分别采用大小为1、3、5、7、9的正方形结构元素构造所述高光谱影像的形态学属性剖面。

9.根据权利要求4所述的高光谱影像小样本分类方法，其特征在于，所述形态学属性剖面算法的运算顺序为：先执行开运算后执行闭运算，或者先执行闭运算后执行开运算。

10.一种高光谱影像小样本分类装置，其特征在于，该装置包括处理器和存储器，所述处理器执行由所述存储器存储的计算机程序，以实现如权利要求1-9任一项所述的高光谱影像小样本分类方法。