[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

说明书

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，涉及遥感图像处理技术领域，用以解决现有高光谱图像分类方法中存在的分类效果不佳的技术问题。本发明方法的技术要点包括：构建稀疏自编码器用于获得高光谱图像数据的谱域特征；用基于自我表达模型的方法构造图结构；利用变分图自编码器(VGAE)优化图结构；对优化后的图结构的系数矩阵进行修正；利用高斯随机场和调和函数(GRF)实现分类。本发明充分考虑了高光谱数据间的相互联系，并且兼顾高光谱数据的谱域信息和空域信息，在小样本条件下能够使高光谱数据分类达到较高的准确率。

技术领域

本发明涉及遥感图像处理技术领域，具体涉及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。

背景技术

随着遥感技术的快速发展，高光谱以其丰富的谱域信息和空域信息得到了广泛的应用，具有“图谱合一”的特点。利用高光谱遥感技术对地物进行分类的重要原因是不同的物质表现出不同的光谱曲线，这些丰富的光谱信息可以极大地帮助目标识别和分类。在农业、林业、水体治理、地质勘探、土壤监测和城市地物分类等方面，高光谱遥感图像发挥了重要的作用。

目前，具有代表性的K-近邻、支持向量机、神经网络等监督分类方法需要大量的样本数据训练网络模型，而在实际应用中由于缺乏足够多的标记样本，限制了监督分类方法在高光谱图像分类中的应用。另外，自训练方法、协同训练方法等半监督分类方法对样本间的相似性关系不够重视，影响高光谱图像的分类效果；其次，在特征提取方面，普通的特征提取方法往往也只关注单个样本的特征，而忽略了样本特征之间的相互联系。

发明内容

鉴于以上问题，本发明提出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，用以解决现有高光谱图像分类方法中存在的分类效果不佳的技术问题。

为实现上述目的，本发明的具体步骤包括如下：

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；

步骤四、用基于自我表达模型的方法构造图结构；

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；

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；

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。

进一步地，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。

进一步地，步骤三中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。

进一步地，步骤三二的具体计算过程包括：

编码过程：z＝f(w₁x+b₁)；

译码过程：