[发明专利]基于核心样本自适应扩充的小样本高光谱图像分类方法

权利要求书

1.一种基于核心样本自适应扩充的小样本高光谱图像分类方法，其特征在于，包括：

对高光谱图像进行数据预处理，得到训练样本和测试样本；

采用MCFSFDP聚类方法自适应确定所述测试样本中的核心样本；

将所述核心样本加入至所述训练样本中，扩充得到训练样本集；

将所述训练样本集代入至生成对抗网络中进行训练，生成与所述训练样本集数量一致的生成样本，并将所述生成样本加入至所述训练样本集中，扩充得到训练样本数据集；

将所述训练样本数据集代入至BP神经网络模型中进行训练，得到最终的BP神经网络模型；

将所述测试样本代入至所述最终的BP神经网络模型中，正向计算得到小样本高光谱图像的分类结果。

2.如权利要求1所述的小样本高光谱图像分类方法，其特征在于，所述对高光谱图像进行数据预处理，得到训练样本和测试样本，具体包括：

随机从高光谱图像R的每一个类别中选取5％的光谱像素点作为训练样本所述训练样本的数量表示为M，所述训练样本的尺寸为h×1，h为光谱数；

将剩余95％的光谱像素点作为测试样本所述测试样本的数量表示为N。

3.如权利要求1所述的小样本高光谱图像分类方法，其特征在于，所述采用MCFSFDP聚类方法自适应确定所述测试样本中的核心样本，具体包括：

将所述测试样本作为聚类数据集，j表示所述聚类数据集中的数据点，且j的取值范围为[1，N]；

计算每一个数据点j的局部密度ρ_j：

其中，ρ_j表示数据点j的局部密度，k表示数据点j之外的另一个数据点，d_jk＝dist(j,k)表示数据点j和数据点k之间的欧氏距离，d_c表示截断距离；当d_jk-d_c＜0时，则χ(d_jk-d_c)＝1，否则χ(d_jk-d_c)＝0，χ(·)表示判断函数；

δ_j表示数据点j与比所述数据点j的局部密度高的所有数据点之间的最近距离，如公式(2)所示：

其中，ρ_k表示数据点k的局部密度；d_jk＝dist(j,k)表示数据点j和数据点k之间的欧氏距离；

对于拥有最大局部密度的数据点，其距离为所有数据点与数据点之间的距离的最大值δ_j＝max_k(d_kj)；d_kj为数据点k与数据点j之间的欧氏距离；

对于每个数据点j，都有与其对应的密度值ρ_j和距离值δ_j；距离阈值δ为选择数据点为聚类结果的唯一标准，则有：

num_v＝f(δ_v) (3)

其中，δ_v表示所有数据点的距离值，num_v为δ_j≥δ_v的数据点j的个数；

对公式(3)求微分得到：

con_v＝[f(δ_v+1)-f(δ_v)]/(δ_v+1-δ_v) (4)

其中，con_v为数据点个数与距离值的微分；δ_v和δ_v+1表示拥有数据点的距离阈值的相邻值，且δ_v+1δ_v；

对公式(4)中的距离阈值的相邻值δ_v和δ_v+1上的con_v与con_v+1做商，再对结果求绝对值，即有：

quo_v＝|con_v/con_v+1| (5)

quo_v表示两个相邻距离阈值上微分的商的绝对值；

当在某距离阈值区间δ_r(δ_v-1，δ_v，δ_v+1)上的数据点数num_v趋近稳定时，在这个距离阈值区间的距离阈值δ_v上存在quo_v的局部极大值，则将当前的距离阈值δ_v确定为自适应距离阈值δ_A；

当数据点j的距离δ_jδ_A时，所述数据点j被选择为聚类中心点，所述聚类中心点即为所述核心样本，并对所述核心样本的类别进行人为标注，得到自适应确定的核心样本。