【技术实现步骤摘要】
基于规则约束和不规则约束的半监督高光谱影像分类方法
[0001]本专利技术属于高光谱遥感领域,涉及基于规则约束和不规则约束的半监督高光谱影像分类方法。
技术介绍
[0002]近年来高光谱遥感在遥感领域获得了广泛的关注。高光谱遥感图像记录了地面物体连续的空间信息以及光谱信息,与传统遥感影像相比,高光谱影像的优势主要表现在以下几个方面:高空间分辨率和高光谱分辨率;光谱范围宽,有连续数百个光谱波段;空间和光谱信息混合。这些优点极大的扩宽了遥感在实际生活工作中的应用范围和深度。但是高光谱的特点也对我们的分类技术和精度提出了更高要求。一是,高光谱遥感影像光谱信息相关性强,不易分辨,容易出现同谱异物和同物异谱的问题。维度冗余使得在低维空间上表现良好的分类方法在高光谱分类中会遇到困难,如何在保留丰富信息的基础上进行降维正是需要研究并解决的问题。第二,高光谱图像分类一般需要大量人工标记样本,但相对于大量的未标记样本,标记样本的数量很少,标记的成本也较高。
[0003]随着人工智能的发展,基于深度学习的方法在高光谱图像分类中显示出了巨大的潜力。深度神经网络是深度学习的代表之一,它通过多层的神经网络结构,对复杂数据进行处理,获取其深层次特征。与传统方法相比,它获取的特征更加的抽象,在高光谱图像分类领域也有着更大的优势。目前基于深度学习的高光谱分类方法大多采用深度网络提取空间
‑
光谱信息,结合PCA和SAE等降维方法和分类器进行像素级的分类。然而,高光谱图像空间维数高,数据复杂,也常常出现“同谱异物”或“同物异谱 ...
【技术保护点】
【技术特征摘要】
1.基于规则约束和不规则约束的半监督高光谱影像分类方法,其特征在于:包括:高光谱影像的数据预处理;基于神经网络的多尺度影像输入融合,生成拼接后的图像块;根据拼接后的图像块,基于反卷积网络的规则约束生成,计算规则损失值Θ
R
;基于超像素聚类的不规则约束生成,计算不规则损失值Θ
I
;基于超像素约束的未标记样本引入和半监督学习;利用获取的多个约束计算损失函数Θ;将损失函数Θ带入神经网络进行反向传播,对神经网络的参数进行更新优化,获得优化后的神经网络;将高光谱影像的数据输入至优化后的神经网络,神经网络对高光谱影像的数据进行特征提取,按照积累经验对特征进行分类。2.根据权利要求1所述的基于规则约束和不规则约束的半监督高光谱影像分类方法,其特征在于:所述高光谱影像的数据预处理方法为:在高光谱影像的数据输入网络进行处理之前消除异常值并进行归一化处理。3.根据权利要求2所述的基于规则约束和不规则约束的半监督高光谱影像分类方法,其特征在于:消除异常值的具体方法为:检测高光谱影像的数据中的异常值,并通过插值计算代替异常值,进行校正。4.根据权利要求3所述的基于规则约束和不规则约束的半监督高光谱影像分类方法,其特征在于:归一化处理的具体方法为:对高光谱影像的数据的数值按比例缩放,使之统一映射到[0,1]区间内。5.根据权利要求1所述的基于规则约束和不规则约束的半监督高光谱影像分类方法,其特征在于:所述基于神经网络的多尺度影像输入融合方法为:S11、获取不同大小的图像块作为神经网络的输入;S12、将不同大小的图像块分别输入不同大小的卷积层,并获得相同大小的输出;S13、将输出结果进行拼接,获得拼接后的图像块。6.根据权利要求1所述的基于规则约束和不规则约束的半监督高光谱影像分类方法,其特征在于:所述基于反卷积网络的规则约束生成的方法为:S21、将拼接后的图像块作为卷积神经网络的输入,获得特征向量S22、利用特征向量通过反卷积层获取与输入图像块尺度相...
【专利技术属性】
技术研发人员:赵旭东,隋正伟,李俊杰,苏文博,杨易鑫,胡国庆,李敏,
申请(专利权)人:中国四维测绘技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。