[发明专利]半监督的高光谱遥感图像分类标注方法

摘要

针对高光谱遥感图像分类标注问题，本发明公开了一种半监督的高光谱遥感图像分类标注方法，该方法包括：通过人工样本采集获得少量已标注训练样本(含类别标注真值)、大量未标注训练样本和测试样本；通过直推式支持向量机构造条件随机场的关联势函数；通过改进的Potts模型构造条件随机场的交互势函数；通过遗传算法对条件随机场模型进行训练；通过训练得到的条件随机场模型对测试样本进行推断，获得其分类标注结果。本发明所得到的高光谱遥感图像分类标注结果相比于单独使用条件随机场算法或直推式支持向量机的分类标注结果，去掉了大量的孤立噪声点，具有较好的区域连续性且精度较高。

主权项

1.一种半监督的高光谱遥感图像分类标注方法，应用于高光谱遥感图像中地物类别的分类标注，其特征在于，所述方法包括以下步骤：通过直推式支持向量机构造条件随机场的关联势函数；通过改进的Potts模型构造条件随机场的交互势函数；通过遗传算法对条件随机场模型进行训练；通过训练得到的条件随机场模型对测试样本进行推断，获得分类标注结果；所述通过直推式支持向量机构造条件随机场的关联势函数的步骤包括：根据预设已标注样本惩罚因子C、未标注样本惩罚因子C'，及训练样本，采用一对一策略，训练多组不同类别对对应的两类直推式支持向量机，所述训练样本包含已标注训练样本集及其类别标注集和未标注训练样本集公式为：其中，y′j为未标注样本x′j对应的待估计标签，在模型训练中获得；K(xi,X)＝[K(xi,x 1),…,K(xi,x n)]T为样本xi对应的核函数矩阵；X＝{X l,X u}为全部样本集；K为核函数；K(x'j,X)＝[K(x'j,x 1),…,K(x'j,x n)]T为样本x'j对应的核函数矩阵；θ＝{ω，b,ε,ε'}为待求解的模型参数，且有ω＝[ω1,ω2,…,ωn]，θ*＝{ω*,b*,ε*,ε'*}为待求解的模型参数θ的最优解；当类别数为L时，共需训练L×(L‑1)/2个两类直推式支持向量机,nl表示已标注训练样本数量，n u表示未标注训练样本数量，总样本数量n＝n l+n u；根据训练得到的L×(L‑1)/2个两类直推式支持向量机模型计算已标注训练样本的不同类别对对应的两类类别概率，公式为：其中，和分别为由类别对k和l对应的两类直推式支持向量机得到的样本xi的两类类别概率，且有k,l∈{1,2,…,L}；根据所述已标注训练样本的不同类别对对应的两类类别概率计算已标注训练样本多类别概率，公式为其中，pi＝(pi1,pi2,…,piL)为样本xi对应的多类别概率；根据所述已标注训练样本多类别概率定义关联势函数，公式为：其中，1(·)为指示函数；所述通过改进的Potts模型构造条件随机场的交互势函数的步骤包括：使用公式(2)，根据所述训练得到的L×(L‑1)/2个两类直推式支持向量机模型计算已标注训练样本x i的空间8领域样本集合E(x i)中所包含的未标注样本的不同类别对对应的两类类别概率；使用公式(3)，根据所述已标注训练样本xi的空间8领域样本集合E(x i)中所包含的未标注样本的不同类别对对应的两类类别概率计算其多类别概率；构建改进的Potts模型，并将其定义为条件随机场模型中的交互势函数，公式为：其中，p il＝max(p i1,p i2,…,p iL)和p jl＝max(p j1,p j2,…,p jL)分别为样本xi和x j的多类别概率的最大分量；y′j为最大分量p jl对应的类别标签；μ为交互势函数中的待优化参数；所述通过遗传算法对条件随机场模型进行训练的步骤包括：根据所述关联势函数和交互势函数构建条件随机场模型，公式为：其中，和φ(·)分别为由公式(4)定义的关联势函数和由公式(5)定义的交互势函数，Z(X l)为拆分函数，λ为预设折衷系数，θ*为L×(L‑1)/2个两类直推式支持向量机模型的最优参数；根据所述条件随机场模型，计算伪对数似然函数，其公式如下：根据预设折衷参数λ，定义所述伪对数似然函数为适应度函数，采用遗传算法进行优化，获得交互势函数最优参数μ*；所述通过训练得到的条件随机场模型对测试样本进行推断，获得分类标注结果包括：使用公式(2)，根据训练得到的L×(L‑1)/2个两类直推式支持向量机模型计算测试样本集X T中每个样本x t∈X T及其空间8领域样本集合E(x t)中所包含样本的不同类别对对应的两类类别概率；使用公式(3)，根据所述测试样本x t∈X T及其空间8领域样本集合E(x t)所包含样本的不同类别对对应的两类类别概率计算它们对应的多类别概率；根据所述公式(4)定义的关联势函数和公式(5)定义的交互势函数，以及最优参数θ*、μ*计算测试样本x t∈X T对应的最终多类别概率p t＝(p t1,p t2,…,p tL)及类别标签y t，其中各分量p tl公式为：其中，y t为多类别概率p t＝(p t1,p t2,…,p tL)最大分量对应的类别标签，即最终类别标注结果。