[发明专利]一种跨通道数量迁移学习的高图像分类方法及系统

说明书

本发明公开了一种跨通道数量迁移学习的高光谱图像分类方法及系统，所述方法为在预训练阶段，以源数据集为对象，运用深度全卷积网络提取样本特征，运用光谱‑空间金字塔网络提取多尺度特征，运用全连接网络计算类别概率并优化预训练模型；在微调阶段，迁移预训练的深度全卷积网络和光谱‑空间金字塔网络，然后以目标数据为对象，运用所迁移网络提取多尺度特征，运用新的全连接网络计算类别概率并更新微调网络的参数；在应用阶段，以目标图像为对象，运用微调网络判断待分类样本的类别信息，并逐像元生成分类结果图；本发明能在不改变源数据和目标数据维度的情况下、实现跨通道数量的迁移学习，能实现不同传感器的高光谱图像高效分类。

技术领域

本发明涉及光谱图像分类领域，特别涉及一种跨通道数量迁移学习的高光谱图像分类方法及系统。

背景技术

高光谱图像通指光谱分辨率在10-2纳米数量级范围内的光谱图像，其特点在图像上不仅包含覆盖区域内的空间特征，还包含每个空间像元经过色散的几十个甚至几百个窄通道的光谱信息。高光谱图像不仅能反映目标的样本大小、形状、缺陷，而且能翻译目标的内部物理结构、化学成分差异，这决定了高光谱图像在农产品检测、机械材质分类、环境检测、地表覆盖分类和矿物学等领域都具有重要的应用价值，而高光谱图像分类技术是其应用过程中必不可少的环节之一。

由于高光谱传感器的种类繁多，不同源的传感器载荷的光谱传感器的波普范围、光谱分辨率和通道数量通常是不一致的。此外，现阶段的高光谱图像分类模型，输入的维度是固定的，这导致所学习的模型仅限于当前数据源图像的分类任务，并且不同源数据集上所训练的模型，通常是不能通用的。故而研究可以跨通道数量(即跨传感器)迁移学习的高光谱图像分类方法具有重要的工业价值。

所谓的迁移学习是指，从一个数据集(源数据集)学习模型，然后将所学习的模型其运用到另一个数据集(目标数据)上。高性能的迁移学习模型，要求既能满足源数据集上的任务，又能满足目标数据集上的任务。迁移学习的高光谱图像分类模型是近年来的研究热点，该问题需要面对的难点是源数据集和目标数据集包含的通道数量不一致，光谱分辨率也不一致。已经有学者，讨论了源数据与目标数据通道数量一致时，迁移学习的分类模型有助于提升分类精度以及缩短在目标数据集上模型训练的时间。而对于跨通道数量的迁移学习问题，最直接的解决方案时使用降维方法，统一源数据与目标数据的通道数量，但这种方法可能会丢失一些有效的数据信息。如果能够找到一种不降维的，跨通道数量迁移学习的高光谱图像分类方法，那么能够使得在保留足够多源数据知识的情况下，通过模型迁移将源数据的知识应用到目标数据集任务中，从而提高实际任务中的模型性能和效率。

因此，针对包含不同通道数量的高光谱图像，如何在不降维情况下，构建跨通道迁移学习的高光谱图像分类模型，实现不同源数据集上的高效分类，具有重要的工业应用价值。

发明内容

本发明的目的是，为了克服不同通道数量的高光谱图像数据集上模型的跨通道数量迁移学习问题，提供了一种跨通道数量迁移学习的高光谱图像分类方法及系统，利用该方法及系统，能够同时接受任意大小(空间大小和通道数量)的样本作为输入，且可以在数据不降维、输入层节点不改变的情况下，实现对不同通道数量的高光谱图像的高效分类。

为了实现上述目的，本发明采用了如下技术方案：

一种跨通道数量迁移学习的高光谱图像分类方法，包括

包括三个阶段：预训练方法、微调方法和应用方法，

所述预训练方法，具体步骤如下：

源数据样本集构建步骤A110：对多个传感器的高光谱图像库，选取质量较高经过辐射校正的高光谱图像，构建包含不同目标类别的源数据样本集X1；

批次源数据选择步骤A120：从所构建的源数据样本集X1中，随机选择尺寸(空间大小和通道数量)相同的N1个样本，作为预训练中一个批次的输入数据，这里允许不同批次的数据尺寸不相同；