一种基于综合置信的高光谱图像半监督分类方法技术

本发明专利技术公开了一种基于综合置信的高光谱图像半监督分类方法，包括：读入高光谱图像；计算图权重矩阵；8近邻连接稀疏化图权重矩阵；计算归一化图权重矩阵；获取初始训练集和候选集；设定协同训练迭代次数并开始训练过程；训练多项式逻辑回归分类器；使用多项式逻辑回归分类器得到候选集样本的预测标签；使用半监督图分类方法得到候选集样本的预测标签；选出两种预测标签一致的候选样本及对应的预测标签构成协定集，对应的置信系数构成综合置信集；筛选出综合置信系数高于99％的协定集样本及对应的预测标签，构成扩增集加入训练集；移除候选集中扩增集样本；判断训练是否达到设定次数，若未则继续迭代，若达到则停止，用半监督图分类高光谱图像。

A Semi-supervised Classification Method for Hyperspectral Images Based on Comprehensive Confidence

The invention discloses a semi-supervised classification method for hyperspectral images based on comprehensive confidence, which includes: reading hyperspectral images; calculating graph weight matrix; 8-nearest neighbor connection sparse graph weight matrix; calculating normalized graph weight matrix; obtaining initial training set and candidate set; setting the number of cooperative training iterations and starting training process; training polynomial logistic regression classifier; The polynomial logistic regression classifier obtains the predictive label of candidate set samples; the semi-supervised graph classification method is used to obtain the predictive label of candidate set samples; two candidate samples with identical predictive labels and corresponding predictive labels are selected to form the protocol set, and the corresponding confidence coefficients constitute the comprehensive confidence set; and the protocol set samples with a comprehensive confidence coefficient higher than 99% and the corresponding prediction scales are screened out. The training set is added to the training set by signature, and the samples of the candidate set are removed to determine whether the training has reached the set number of times. If not, the iteration is continued and if it has reached, the hyperspectral image is classified by semi-supervised graph.

【技术实现步骤摘要】
一种基于综合置信的高光谱图像半监督分类方法
本专利技术涉及高维图像处理
，具体涉及一种基于综合置信的高光谱图像半监督分类方法。
技术介绍
高光谱图像是由高光谱传感器获取的、光谱分辨率达到纳米级的地物遥感图像。高光谱图像每个像素的光谱数据来自于不同波长的光在地物目标所处该像素位置上的反射率，光谱特征可以用于识别该像素所属的地物类别。高光谱图像有以下特点：大量的像素点、高维的光谱特征。同时，高光谱图像的“图谱合一”特性也反映了图像中空间信息较为丰富，光谱特征具有区分性。利用这些先验信息发展起来的高光谱图像分类技术相比全色图像、多光谱图像具有更加突出的地物识别能力，因此在城市规划、海洋探测、军事、天文等领域均受到广泛的关注。另外，高光谱图像分类技术仍存在标记样本代价昂贵等问题，由于高光谱数据的光谱特征维度高、标记训练样本数量少，许多分类方法难以学习到有效的模型，也无法达到令人满意的分类精度。因此，针对数据量大、样本特征维度高、标记样本少的高光谱图像，设计合适的半监督学习方法从大量无标记样本中学习出更多的可分性信息，从而实现高光谱图像分类精度的提升，是高光谱图像分类领域较为重要的研究方向之一。许多有监督分类方法如多项式逻辑回归虽然能够在不少分类问题中有不错的效果，但在半监督分类问题中，由于训练样本较少，对噪声较大的高光谱图像只能得到粗糙的分类结果；基于图的半监督分类方法虽然能够利用高光谱图像中的空间平滑性信息实现较为不错的分类结果，但该类方法的类边界区分能力十分弱。因此，已有的众多有监督、半监督学习方法在训练样本较少的情况下，对高光谱图像的分类能力有待提高。
技术实现思路
本专利技术的目的是针对现有技术的不足，提供了一种基于综合置信的高光谱图像半监督分类方法。首先利用高光谱数据建立了空间最近邻的图连接结构，然后结合空间信息和光谱信息以及多分类器综合置信筛选机制实现了训练样本的扩增，据此设计了一种基于综合置信和训练信息迭代扩增的协同训练自学习方法，最后利用半监督图分类方法对高光谱图像分类。所述基于综合置信的自学习方法十分适用于空间信息较多的高光谱图像数据，可以在无人为干预的情况下自学习出较为可靠的训练样本，极大地提升高光谱图像分类精度。本专利技术的目的可以通过如下技术方案实现：一种基于综合置信的高光谱图像半监督分类方法，所述方法包括以下步骤：S1、读入三维高光谱图像立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；S2、计算高光谱数据像素点之间的去样本均值的相关系数，用于构造图权重矩阵W，权重数值可以衡量像素点间的相似度；S3、将步骤S2的权重矩阵W中每个像素点与自身以及与空间8近邻外的像素点的相似度权重值置0，即只为每个像素点与其空间8近邻内的像素点间建立图连接，得到稀疏化的权重矩阵S4、计算归一化图权重矩阵S5、获取初始训练集和候选集S6、设定协同训练的迭代次数M，并开始协同训练过程；S7、使用训练集训练多项式逻辑回归分类器；S8、使用多项式逻辑回归分类器对候选集中的样本分类，得到预测标签Y1和对应的置信度P；S9、使用半监督图分类方法对候选集中的样本分类，得到预测标签Y2；S10、取出候选集中预测标签Y1和预测标签Y2相同的样本，以及对应的预测标签YA，构成协定集DA，从候选集置信度P中选出协定集样本对应的所有置信系数作为综合置信集PA；S11、筛选出协定集DA对应综合置信集PA中置信系数高于99％的样本，赋予预测标签YN，构成扩增集DN，加入训练集中，得到更新的训练集S12、将S11中扩增集DN的样本从候选集中移除，得到更新的候选集S13、迭代循环S7-S12步骤的高光谱图像协同训练过程，直至协同训练迭代达到设定值M次；S14、使用半监督图分类方法和更新后的训练集分类高光谱图像验证分类精度。进一步地，步骤S2中的图权重矩阵W采用如下计算方式：其中，vi代表第i个像素点的数据特征，va代表所有像素点的数据特征均值，wij是图权重矩阵W中的元素，代表像素点i和像素点j的相似性权重值。进一步地，步骤S4中的归一化图权重矩阵的计算采用其中度矩阵D计算公式如下：进一步地，步骤S8中所述的初始候选集由整个测试集内的样本构成，通过多项式逻辑回归分类器对整个候选集样本分类，得到第一种预测标签：其中，n代表候选集样本数，代表多项式逻辑回归分类器对候选集中第i个样本的预测结果；计算多项式逻辑回归分类器对每个像素点的最大分类后验概率值，作为预测置信度P＝[p1,p2,...,pn]，其中pi代表候选集中第i个样本的预测置信度。进一步地，步骤S9中的半监督图分类方法采用如下计算方式：其中，α为训练参数，Y(0)由训练集的样本标签构成：使用半监督图分类方法对整个候选集中的样本分类，得到第二种预测标签：其中，n代表候选集样本数，代表半监督图分类方法对候选集中第i个样本的预测结果。进一步地，步骤S10中的协定集DA由候选集中预测标签Y1和预测标签Y2相同的样本构成：同时取出协定集样本对应的预测标签YA＝Y1(Y1＝＝Y2)，以及协定集样本对应的所有置信系数作为综合置信集PA＝P(Y1＝＝Y2)；由于PA的确定是以两种不同的预测标签Y1和Y2为基础的，因此将其称为综合置信集。进一步地，步骤S11中的扩增集DN由协定集DA中综合置信集PA＞0.99的样本构成，扩增集DN的样本标签YN同样由YA中相应预测标签构成：YN＝YA(PA＞0.99)而更新的训练集由之前的训练集和扩增集构成：本专利技术与现有技术相比，具有如下优点和有益效果：1、本专利技术提供的基于综合置信的高光谱图像半监督分类方法，使用了基于空间邻域相似性假设的图分类方法和基于光谱特征学习的多项式逻辑回归分类器，同时利用了空间信息和光谱信息进行自学习，从而增强分类器的分类性能。相比传统半监督图分类方法和多项式逻辑回归分类器，本专利技术方法结合了两种分类方法各自的优点，从而达到了增强的分类效果。2、本专利技术提供的基于综合置信的高光谱图像半监督分类方法，在初始训练样本较少的情况下，通过选择多分类器决策一致的样本，自学习出更多的训练样本，增进了分类器的训练效果。再进一步筛选综合置信集中高置信系数的预测样本，使自学习的训练样本更加可靠。因此，在相同初始训练样本的条件下，相比传统方法，分类器拟合能力更强，分类精度更高，在半监督分类任务中更加有效。附图说明图1为本专利技术基于综合置信的高光谱图像半监督分类方法的工作流程图。图2是对于AVIRISIndianPines图像，采用本专利技术的基于综合置信的高光谱图像半监督分类方法的分类精度随协同训练迭代次数增长的示意图；其中初始训练样本为对图像12类样本每类随机取6个的情况。图3是对于AVIRISIndianPines图像，采用本专利技术的基于综合置信的高光谱图像半监督分类方法的分类精度在初始训练样本分别取每类2个、4个、6个、8个不同情况下的变化示意图；其中协同训练共迭代10次。图4(a)是对于AVIRISIndianPines图像，采用半监督图分类方法的分类精度在初始训练样本分别取每类2个、4个、6个、8个不同情况下的变化示意图；图4(b)是对于AVIRISIndianPines图像，采用多项式逻辑回归分类器的分类精度在初始训练样本分别本文档来自技高网...

【技术保护点】
1.一种基于综合置信的高光谱图像半监督分类方法，其特征在于，所述方法包括以下步骤：S1、读入三维高光谱图像立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；S2、计算高光谱数据像素点之间的去样本均值的相关系数，用于构造图权重矩阵W，权重数值能够衡量像素点间的相似度；S3、将步骤S2的权重矩阵W中每个像素点与自身以及与空间8近邻外的像素点的相似度权重值置0，即只为每个像素点与其空间8近邻内的像素点间建立图连接，得到稀疏化的权重矩阵

【技术特征摘要】
1.一种基于综合置信的高光谱图像半监督分类方法，其特征在于，所述方法包括以下步骤：S1、读入三维高光谱图像立方体H(m,n,b)，其中m、n表示空间像素点位置，b表示所处光谱波段位置；S2、计算高光谱数据像素点之间的去样本均值的相关系数，用于构造图权重矩阵W，权重数值能够衡量像素点间的相似度；S3、将步骤S2的权重矩阵W中每个像素点与自身以及与空间8近邻外的像素点的相似度权重值置0，即只为每个像素点与其空间8近邻内的像素点间建立图连接，得到稀疏化的权重矩阵S4、计算归一化图权重矩阵S5、获取初始训练集和候选集S6、设定协同训练的迭代次数M，并开始协同训练过程；S7、使用训练集训练多项式逻辑回归分类器；S8、使用多项式逻辑回归分类器对候选集中的样本分类，得到预测标签Y1和对应的置信度P；S9、使用半监督图分类方法对候选集中的样本分类，得到预测标签Y2；S10、取出候选集中预测标签Y1和预测标签Y2相同的样本，以及对应的预测标签YA，构成协定集DA，从候选集置信度P中选出协定集样本对应的所有置信系数作为综合置信集PA；S11、筛选出协定集DA对应综合置信集PA中置信系数高于99％的样本，赋予预测标签YN，构成扩增集DN，加入训练集中，得到更新的训练集S12、将S11中扩增集DN的样本从候选集中移除，得到更新的候选集S13、迭代循环S7-S12步骤的高光谱图像协同训练过程，直至协同训练迭代达到设定值M次；S14、使用半监督图分类方法和更新后的训练集分类高光谱图像验证分类精度。2.根据权利要求1所述的基于综合置信的高光谱图像半监督分类方法，其特征在于，步骤S2中的图权重矩阵W采用如下计算方式：其中，vi代表第i个像素点的数据特征，va代表所有像素点的数据特征均值，wij是图权重矩阵W中的元素，代表像素点i和像素点j的...

【专利技术属性】
技术研发人员：贺霖，余龙，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44