[发明专利]一种互导学习高光谱图像分类方法

权利要求书

1.一种互导学习高光谱图像分类方法，其特征在于，包括以下步骤：

(1)将高光谱图像表达为像元样本集；

(2)构建两个结构相同但初始化参数不同的分类器，作为两个基分类器；

(3)两个基分类器分别用对方提供的标记样本集训练；

(4)两个基分类器分别对自己的未标记样本集分类；

(5)将两个基分类器的分类结果中高置信度样本分别扩增至它们自己的标记样本集；

(6)重复步骤(3)至(5)直到标记样本集扩增至特定规模；

(7)两个基分类器决策获得最终分类结果。

2.根据权利要求1所述的互导学习高光谱图像分类方法，其特征在于，步骤(1)所述的将高光谱图像表达为像元样本集，像元样本集X由标记样本集X_L和无标记样本集X_U组成(即X＝{X_L,X_U})，步骤(2)所述的构建两个结构相同但初始化参数不同的分类器，作为两个基分类器，分别表示为C(·；α_A,β_A)和C(·；α_B,β_B)，简写为C_A和C_B，其中，α_A和β_A分别表示C_A的随机初始化参数和可训练模型参数，α_B和β_B分别表示C_B的随机初始化参数和可训练模型参数，C_A和C_B对样本x∈X的分类操作分别表示为：

y_A＝C(x；α_A,β_A)

y_B＝C(x；α_B,β_B)

其中，y_A和y_B分别表示C_A和C_B给x的类别标记。

3.根据权利要求1所述的互导学习高光谱图像分类方法，其特征在于，步骤(3)所述的两个基分类器分别用对方提供的标记样本集训练，训练过程为：

其中，argmin表示寻找最小评分的参量，表示训练的目标函数，和分别表示第k次迭代时训练所得的C_A和C_B的模型参数，表示C_B在第k次迭代时的标记样本集，表示的类别标记，表示C_A在第k次迭代时的标记样本集，表示的类别标记，当k＝1时，

4.根据权利要求1所述的互导学习高光谱图像分类方法，其特征在于，步骤(4)所述的两个基分类器分别对自己的未标记样本集分类，得到类别标记：

其中，和分别表示C_A在第k次迭代时的无标记样本集和它的分类结果，和分别表示C_B在第k次迭代时的无标记样本集和它的分类结果，当k＝1时，

5.根据权利要求1所述的互导学习高光谱图像分类方法，其特征在于，步骤(5)所述的将两个基分类器的分类结果中高置信度样本分别扩增至它们自己的标记样本集，扩增过程为：

其中，表示C_A在第k次迭代时的分类结果中高置信度样本，表示C_A在第k次迭代时对分类得到的类别标记，表示C_B在第k次迭代时的分类结果中高置信度样本，表示C_B在第k次迭代时对分类得到的类别标记，同时，分别更新C_A和C_B的未标记样本集如下：

6.根据权利要求1所述的互导学习高光谱图像分类方法，其特征在于，步骤(6)所述重复步骤(3)至(5)直到标记样本集扩增至特定规模，当标记样本集扩增至像元样本集的η百分比时，停止重复步骤(3)至(5)，此时迭代次数k达到K。

7.根据权利要求1所述的互导学习高光谱图像分类方法，其特征在于，步骤(7)所述的无标记样本的最终分类结果由两个基分类器决策获得，主要有以下两种情况：

第一种情况：当第K次迭代训练得到的C_A和C_B对样本的最终分类结果一致时，样本的最终类别标记为它们一致的类别标记；

第二种情况：当第K次迭代训练得到的C_A和C_B对样本的最终分类结果不一致时，样本的最终类别标记由置信度高的基分类器决定。