[发明专利]一种基于主动学习的高光谱图像分类方法

摘要

本发明公开了一种基于主动学习的高光谱图像分类方法，它属于图像处理技术领域，主要解决基于集成的查询方法所获得的信息量存在重复的问题。其分类过程为对高光谱图像进行特征提取；将所有样本随机划分为已标记数据集、未标记数据集和测试数据集；构造初始集成分类器；每一次迭代，根据新的信息量度量准则挑选未标记样本；利用最终得到的集成分类器进行预测，得到分类结果。本发明定义了一种新的信息量度量准则，相比于基于集成的查询准则，能够有效降低信息量的重复程度，获得更好的分类性能，可用于高光谱图像目标识别。

主权项

一种基于主动学习的高光谱图像分类方法，其特征在于：包括如下步骤：1)对高光谱图像的每一个样本即像素，提取谱特征与空间特征，将提取谱特征与空间特征融合为一个特征向量；2)将所有样本随机划分为测试数据集与训练数据集，训练数据集被进一步随机划分为已标记数据集和未标记数据集；3)在已标记数据集上构造初始集成分类器；4)每一次迭代，根据新的信息量度量准则挑选出固定数目的最高信息量的未标记样本用于人工标记；5)利用最终得到的集成分类器进行预测；所述步骤1)是按以下步骤进行的：(1a)利用主成分分析PCA算法提取高光谱图像的谱特征，若干个主成分能够包含图像的大部分信息；(1b)在每一个主成分的基础上进行形态学开和闭运算，提取形态学特征；(1c)将提取出来的谱特征和形态学特征融入一个特征向量，形成每一个样本即像素的新特征；所述步骤4)按如下过程进行：4a)对每一个未标记样本xu，按照新的信息量度量准则计算它的信息量：Info(xu)=-Σiv(yi)mlogv(yi)m+(-Σipθ(yi|xu)logpθ(yi|xu))/c]]>上式中，第一项由集成分类器决定，yi取遍所有的可能的标记，v(yi)为所有那些预测得到的类别标记是yi的分类器的数目，m为集成大小，第二项由引入的模型决定，θ为引入的模型，pθ(yi|xu)表示由模型预测得到的未标记样本xu属于类别yi的类概率，c是一个常数；4b)根据信息量排序未标记样本；4c)选出n个具有最大的信息量的未标记样本；4d)人工标记这n个样本，并加入到已标记数据集中；4e)在扩大的已标记数据集上重新构造集成分类器；4f)重复步骤(4a)～步骤(4e)直到已标记样本的数量达到训练集合的20％时停止。