[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

说明书

本发明公开了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，包括：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；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；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；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；计算每个目标簇的置信度；对目标簇中的每个未标记局部图像块赋伪标记集；基于空间局部约束策略，对伪标记集进行迭代校正，以完成高光谱遥感图像的分类。本发明能够在有少量标记局部图像块或者无法获取大量标记局部图像块的情况下高效实现图像分类任务。

技术领域

本发明属于人工智能领域，具体涉及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。

背景技术

高光谱遥感技术是光学遥感技术的一次突破，完善了光学遥感影像从黑白全色影像经由多光谱到高光谱的全部影像信息链。不同于普通遥感影像，高光谱遥感影像高维的数据有着丰富光谱和空间信息，导致高光谱遥感影像伴随着数据量大，信息冗余多等问题，分类处理难度较高。

为了克服数据量大以及信息冗余多等问题，传统方法对高维数据进行降维操作，映射到低维空间，以进行图像分类。该方法虽然解决了高维与信息冗余的问题，但降维必然会破坏原有的图像空间信息，降低了分类结果的准确度。

为了不破坏原有的图像空间信息，充分的利用光谱和空间信息，现有技术采用深度学习的方法进行高光谱影像分类。但是，现有的基于深度学习的高光谱影像分类方法依赖于拥有足够的有标签训练集，而高光谱影像的每个像元都需要一个标签，且空间分辨率较低，这样很难判断每个像元的类别，就不能直接赋予其类别，必须要结合实地对比才能确定类别，导致图像块标注难度较大。因此，现有技术中的高光谱影像分类方法需要的技术难度高，且耗时耗力，需要较大成本。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了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。本发明要解决的技术问题通过以下技术方案实现：

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，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，初始簇中包括已标记局部图像块和/或未标记局部图像块。

本发明的有益效果：

本发明能够减少训练所需要的图像块，提高了分类精度和分类效率，提高了分类的高效性。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的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示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例