[发明专利]高光谱遥感图像部分迁移方法及系统

说明书

本发明涉及遥感图像处理技术领域，提供一种高光谱遥感图像部分迁移方法及系统，包括：S1：获得源域数据X_s和目标域数据X_t，获取源域数据的标签信息Y_s；S2：获取源域训练数据S3：获得边缘分布自适应后的源域数据和边缘分布自适应后的目标域数据S4：训练获得目标域数据的伪标签S5：获得条件分布自适应后的源域数据和条件分布自适应后的目标域数据X'_t；S6：计算获得最终的目标域数据的预测标签本发明有效解决部分迁移中因源域数据的地物类别比目标域多而带来的负迁移；分布自适应依赖的一阶统计特性代表了地物的平均光谱属性，可以使两个领域的数据有效对齐；使用的目标域数据不带有任何标签信息，降低了获取标记样本的难度。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种高光谱遥感图像部分迁移方法及系统。

背景技术

高光谱遥感图像分类是对一幅高光谱遥感图像中的地面物体的光谱信息和空间信息进行分析，再通过特征选择，将高光谱遥感图像中的各个像素点按不同的特征划分为不同的类别，以此来得到高光谱遥感图像对应的地面物体的类别信息。在高光谱遥感图像分类领域，现在面临的问题一是获取样本的类别标签困难，需要花费大量的人力、物力去标记，如何在只有少量标记样本的情景下实现高光谱遥感图像分类成为了当前亟待解决的难题；二是由于高光谱遥感图像采集的时间不同、不同批次的图像拍摄的角度不同等原因，获取到的高光谱遥感数据通常是不同分布的。由于传统机器学习算法要求数据同分布，且需要足够多的标记样本，因而在数据不同分布的情况下，传统的机器学习不能很好地解决高光谱遥感图像分类中的问题。

迁移学习是将从已有的领域中学习到的知识应用到新的相关领域解决问题的一种机器学习算法，其目的是把已有知识迁移到新领域，学习一个适用于新数据的分类器，能够对新的数据有很好的分类效果。迁移学习能够解决训练数据和测试数据不是同分布的问题，因此，它能够很好地解决现有的遥感图像分类领域存在的问题，是一种十分有效的分类算法。在迁移学习算法中，通常假设带有类别标签的旧数据称为源域数据，缺乏标记样本的待分类的数据称为目标域数据，并且源域数据和目标域数据的地物类型是一致的。但实际场景中，我们往往只知道源域数据类别，不知道目标域数据类别。我们将在目标域数据类别是源域数据类别的子集这一特殊情景下实现的迁移学习算法称为部分迁移学习，研究部分迁移学习的分类问题具有重要的现实意义。

部分迁移学习的目的就是利用已有的大量的标记样本来对未知类别的数据进行分类，即假设已有的源域数据足够丰富，源域本身就包含了目标域的类别，用类别较多的源域数据去分类类别较少的目标域数据，得到目标域数据的类别标签。现有的迁移学习算法通常是将整个源域与目标域对齐，由于源域和目标域数据类别不匹配，因此容易出现负迁移现象。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于，解决现有技术中，由于源域和目标域数据类别不匹配，容易出现负迁移现象的技术问题。

为实现上述目的，本发明提供一种高光谱遥感图像部分迁移方法，包括：

S1：获取遥感图像，根据所述遥感图像获得源域数据X_s和目标域数据X_t，获取所述源域数据的标签信息Y_s；

S2：挑选所述源域数据X_s中与所述目标域数据X_t近邻的源域训练数据

S3：对所述源域训练数据和所述目标域数据X_t进行整体中心对齐处理，获得边缘分布自适应后的源域数据和边缘分布自适应后的目标域数据

S4：通过所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据训练支持向量机分类器获得目标域数据的伪标签