[发明专利]一种自定步长学习的遥感影像半监督分类方法

摘要

本发明涉及一种自定步长学习的遥感影像半监督分类方法，包括以下步骤：对遥感影像进行预处理，获取各类地物的有标记样本；选择部分或全部未标记样本，联合所述有标记样本构建稀疏图，并对未标记样本进行初始类别标定，从而扩充有标记样本的数量；基于自定步长学习算法，对扩充后具有初始标记样本的类别信息进行选择或剔除；选择监督分类器，对遥感影像进行逐像元分类。本发明在扩充训练样本数目的同时，减少了训练样本中误标定样本的目的。

主权项

1.一种自定步长学习的遥感影像半监督分类方法，其特征在于包括以下步骤：步骤S1：对遥感影像进行预处理，获取各类地物的已标记样本；步骤S2：选择部分或全部未标记样本，联合所述已标记样本进行稀疏构图，并对未标记样本进行初始类别标定，从而扩充已标记样本的数量；步骤S3：基于自定步长学习算法，对扩充后具有初始标记样本的类别信息进行选择或剔除；步骤S4：选择监督分类器，对遥感影像进行逐像元分类；所述步骤S1的具体内容包括：步骤S11：对获取的遥感影像进行预处理，所述预处理包括几何与辐射校正、影像拼接与裁剪、影像融合增强以及影像特性提取；步骤S12：获取遥感影像中每类地物的已标记样本，并记录所述已标记样本的类别标识，所述遥感影像包含c个地物类别，c_i∈(1,2,...,c)为第i类样本的类别标识，X_l＝[X₁ X₂ ... X_c]为已标记样本的集合，其中表示i类别的样本，其中，c、i为自然数，n_i为第i类别的样本数目，x_ij为一个列向量，表示第i类地物第j个样本的光谱向量或特征向量；步骤S13：对已标记样本集Xl与未标记样本的光谱向量或特征向量xij进行归一化，使得像元光谱向量二范数值为1；所述步骤S2的具体内容包括：步骤S21：选择部分或全部未标记样本作为未标记样本集，记为Xu，其中子集中未标记样本的个数记为Nu；步骤S22：联合已标记样本集Xl和未标记样本Xu，构造新的矩阵Dic＝[X1 Xu]B×N，其中B为遥感影像的光谱波段数，N为已标记样本集Xl和未标记样本集Xu的样本个数之和；步骤S23：对矩阵Dic＝{yi|i＝1,2,...,N}中每一列元素yi，解算稀疏模型其中的操作为对相应矢量或矩阵F‑范数的平方，s.t表示求解该方程时受到的限制条件，||α_i||₀≤K₀表示α_i中非零元素的数目不大于K₀,α_ii表示α_i中的第i个元素，待所有的y_i(i＝1,2,...,N)计算结束后，把对应的稀疏编码α_i顺序存储到矩阵A＝[α₁ α₂ ... α_N]；步骤S24：构造相似性矩阵W＝(|A|+|AT|)/2，其中AT表示对A的转置运算，|A|表示对矩阵A取绝对值运算；步骤S25：利用标签传递算法来预测未标记样本的初始标签，利用已标记样本来预测未标记样本的类别信息步骤S26：Lu中的每个行向量li对应了每个未标记样本zi的类别属性，并将每一个未标记样本根据预测的类别信息加入到对应已标记样本集Xl各类别子集中，即X'i＝Xi∪{zi}，从而初步得到已标记的新样本集合X'l＝[X'1 X'2 ... X'c]，其中Xi∪{zi}表示样本zi通过集合的“并”运算加入到子集Xi中。