[发明专利]基于空间校正的半监督自训练的高光谱遥感图像分类方法

权利要求书

1.一种基于空间校正的半监督自训练的高光谱遥感图像分类方法，其特征在于，所述方法包括：

步骤1：按照光谱通道数量，对待分类高光谱遥感图像进行切分，以得到光谱切片数据集，其中，光谱切片数据数量与光谱通道数量相同；

步骤2：在每个光谱切片数据中，基于局部图像块提取光谱空间特征，以得到待分类高光谱遥感图像对应的光谱空间特征集；

步骤3：基于预设算法对所有局部图像块进行聚类，以得到多个初始簇；

步骤4：按照语义信息，对局部图像块簇进行合并处理，以得到目标簇；

步骤5：计算每个目标簇的置信度；

步骤6：对目标簇中的每个未标记局部图像块赋伪标记集；

步骤7：基于空间局部约束策略，重复步骤2至步骤7，对伪标记集进行迭代校正，以完成高光谱遥感图像的分类。

2.根据权利要求1所述的方法，其特征在于，所述步骤2包括：

步骤2-1：以每个光谱切片数据中的每个像元为中心，按照预设尺寸值截取得到局部图像块集合；其中，局部图像块数量与像元数量相同；

步骤2-2：对每个光谱切片数据对应的所有局部图像块进行卷积网络编码，以得到光谱空间特征集合。

3.根据权利要求1所述的方法，其特征在于，初始簇中包括已标记局部图像块和/或未标记局部图像块。

4.根据权利要求3所述的方法，其特征在于，所述步骤4包括：

步骤4-1：识别每个初始簇中的已标记局部图像块；

步骤4-2：当初始簇中包括已标记局部图像块时，将已标记局部图像块对应的语义信息，确定为初始簇的语义标签；或者，当初始簇中仅包括未标记局部图像块时，将初始簇的语义标签确定为未知；

步骤4-3：将具有相同语义标签的初始簇，合并为一个目标簇。

5.根据权利要求1所述的方法，其特征在于，所述步骤5包括：

步骤5-1：计算每个目标簇中的已标记局部图像块数量，表示为：

步骤5-2：计算所有目标簇中的已标记局部图像块平均数量，表示为：

其中，K是真实语义类别的数目，N_c是目标簇的数目，N_p,i是第i个簇内所含的局部图像块数量，pt(i,j,q)表示在第i个簇内第j个局部图像块的语义标签是q；当q＝0时，表示该语义标签类别是背景，pt(i,j,q)等于0，或者，等于1；

步骤5-3：计算目标簇中的已标记局部图像块纯度，将语义标签为f的局部图像块在第i个目标簇内的纯度计算为：

其中，PURE_i,max是PURE_i,f中的最大值。

6.根据权利要求1所述的方法，其特征在于，所述步骤6包括：

步骤6-1：以目标簇中的每个未标记局部图像块为中心，确定正方形领域；其中，正方形邻域对应有多个语义标签，每个语义标签对应有权重值；

步骤6-2：对所有语义标签进行归类；

步骤6-3：根据预设权重，根据权重值，对每类语义标签计分；

步骤6-4：根据计分结果，对每类语义标签进行排序；

步骤6-5：根据排序结果，为目标簇中的每个未标记局部图像块赋伪标记集。

7.根据权利要求1所述的方法，其特征在于，所述步骤7之前包括：

通过已标记局部图像块，训练得到预设分类器。

8.根据权利要求1所述的方法，其特征在于，所述对伪标记集进行迭代校正包括：

当目标簇的数量小于预设阈值时，确定伪标记集的迭代校正完成；或者，所有未标记局部图像块均被赋伪标记集，确定伪标记集的迭代校正完成。