[发明专利]一种基于深度自编码器构图的高光谱图像半监督分类方法

权利要求书

1.一种基于深度自编码器构图的高光谱图像半监督分类方法，其特征在于，包括以下步骤：

步骤一、获取高光谱图像训练和测试数据；其中，训练数据包含类别标签，测试数据不包含类别标签；

步骤二、对所述高光谱图像训练和测试数据进行预处理；

步骤三、构建稀疏自编码器用于获得高光谱图像数据的谱域特征；构建稀疏自编码器包括以下步骤：

步骤三一、稀疏自编码器包括输入层、隐层和输出层，首先确定各层节点数、激活函数以及稀疏度条件，并初始化输入层和隐层之间的权值w₁、偏差b₁，隐层和输出层之间的权值w₂、偏差b₂；

步骤三二、利用高光谱图像训练数据训练稀疏自编码器，获得满足所述稀疏度条件的权值和偏差，并利用训练好的稀疏自编码器重构高光谱图像测试数据；具体计算过程包括：

编码过程：z＝f(w₁x+b₁)；

译码过程：

其中，x表示原始输入；f表示编码器函数；z表示隐变量；g表示重构函数；表示编码器重构输出；损失函数由重构损失和KL散度正则项两部分构成：

其中，J(w,b)表示原始输入与重构之间的重构损失，是权值w和偏差b的函数；β表示控制稀疏性惩罚因子的权重；s₂表示隐层节点数；ρ表示设定的稀疏度；表示第j个隐层节点的平均激活输出；

步骤四、用基于自我表达模型的方法构造图结构；具体包括：利用重构训练样本的线性组合表示重构测试样本；由重构训练样本和重构测试样本组成图的节点，用线性表示系数作为图的边权重，对基于自我表达模型进行求解，获取最优的系数矩阵；所述基于自我表达模型具体表示为下述公式(1)：

s.t.diag(W)＝0,W≥0

其中，X表示特征矩阵；λ₁表示控制稀疏度和重构误差折中的参数；W＝[W₁,W₂,…,W_a+k]为系数矩阵，其中每个向量为对应样本点的表达系数；

利用交错方向乘子算法对公式(1)求解，具体包括：首先构造增广拉格朗日函数，具体表示为下述公式(2)：

其中，Λ表示拉格朗日乘子；μ0为数值参数；

然后使公式(2)最小化，利用交错方向乘子算法交替更新变量系数矩阵W、损失函数J和拉格朗日乘子Λ，从而获得最优的系数矩阵；

步骤五、利用变分图自编码器VGAE优化图结构，获得重构后的系数矩阵；具体步骤包括：

步骤五一、由重构训练样本和重构测试样本构成节点特征矩阵，将节点的特征矩阵和系数矩阵输入到变分图自编码器中；

步骤五二、先利用后验概率得到隐变量，再利用隐变量重构系数矩阵，获得重构后的系数矩阵；

步骤六、对重构后的系数矩阵进行修正，获得修正后的图结构；通过设置惩罚项修正图结构的边权重，以使空域上相邻样本具有相近的表达系数且使不同类别样本间的边权重小，从而对重构后的系数矩阵进行修正，其中，修正后的图结构模型表示为下述公式(3)：

s.t.diag(W)＝0,W≥0 (3)

其中，λ₂表示控制空域惩罚项参数；C_ij表示第i个样本和第j个样本的空域连接标志位；W_i和W_j分别表示第i个样本和第j个样本的表达系数向量；

步骤七、利用高斯随机场和调和函数GRF对测试数据进行分类；

步骤八、将分类后的测试数据和初始训练数据一起作为新的训练数据，迭代循环步骤三～步骤七，直至所有测试数据完成分类。

2.根据权利要求1所述的一种基于深度自编码器构图的高光谱图像半监督分类方法，其特征在于，步骤二中所述预处理包括降维处理和归一化处理；所述降维处理为将原始三维高光谱数据转换为二维高光谱数据。