The invention discloses a new semi-supervised classification algorithm for hyperspectral image data, which firstly obtains all hyperspectral data as initial data, secondly aggregates all initial data using sparse subspace clustering as clustering method, and obtains pseudo-labels of all initial data, and secondly carries out all initial data and pseudo-labels in CNN1. Pre-training; For the objective function of classification layer in CNN1, a new objective function based on metric learning is proposed; then CNN1 is used to remove the final classification layer, and the full connection layer is added to form CNN2; then the tagged data and their known real tags are fine-tuned to CNN2. The present invention is a semi-supervised deep learning mechanism for hyperspectral image classification by using pseudo-labels, expands the training information by using two-stage training, and proposes a new objective function in the pre-training stage to better grasp the structural characteristics of hyperspectral samples.
【技术实现步骤摘要】
一种新的高光谱图像数据半监督分类算法
本专利技术属于高光谱图像分类领域,涉及数据半监督分类技术,具体是一种新的高光谱图像数据半监督分类算法。
技术介绍
经过20世纪后半叶的发展,遥感技术在理论、技术及应用方面发生了重大的变化。其中,高光谱图像遥感技术无疑是遥感技术重大变化中十分重要的一个方面。高光谱图像遥感技术,利用高光谱传感器/成像光谱仪以数十至数百个连续细分的波段对目标区域同时成像,将图像与光谱结合,同时获取空间及光谱信息,得到以像素为单位的高光谱图像。该图像含有大量的光谱信息,能够采集目标在电磁波谱的紫外、可见光、近红外和中红外区域的辐射或反射信息。高光谱遥感数据包含了丰富的空间信息和光谱信息。高光谱图像最主要的特点就是可以同时获得地物的连续光谱和地表空间图像,将光谱维信息和传统的空间维图像信息融合在了一起。高光谱图像分类的过程就是根据图像像元的光谱特征信息和空间特性信息,对每个像元或比较匀质的像元组划分类别的过程。
技术实现思路
本专利技术提出了一种高光谱图像数据半监督分类算法,该算法在概率框架中集成了光谱信息和空间信息;先通过稀疏子空间聚类获得全部数据的伪标签进行预训练,并在预训练阶段加了度量学习正则化项来构造新的目标函数;然后用带标签的数据及其标签进行微调;然后使用马尔可夫随机场作为图像后处理,进一步利用空间信息。本专利技术的目的在于提供一种新的高光谱图像数据半监督分类算法。本专利技术的目的可以通过以下技术方案实现:一种新的高光谱图像数据半监督分类算法,该方法包括下述步骤:步骤一:获取到所有的高光谱数据,并将其作为初始数据;步骤二:使用稀疏子空间聚 ...
【技术保护点】
1.一种新的高光谱图像数据半监督分类算法,其特征在于,该方法包括下述步骤:步骤一:获取到所有的高光谱数据,并将其作为初始数据;步骤二:使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据,并获取所有初始数据的伪标签;初始数据的伪标签是通过稀疏子空间聚类直接获得;步骤三:在CNN1中对所有的初始数据及其伪标签进行预训练;对于CNN1中分类层中的目标函数,提出了基于度量学习的新的目标函数;步骤四: 利用CNN1除去最后的分类层,再加上全连接层构成了CNN2;步骤五:将带标签的数据以及它们的标签在CNN2上进行微调;步骤六:在分类层之后,通过马尔可夫随机场,利用高光谱图像的空间信息,进一步对分类结果进行后处理,提高分类精度。
【技术特征摘要】
1.一种新的高光谱图像数据半监督分类算法,其特征在于,该方法包括下述步骤:步骤一:获取到所有的高光谱数据,并将其作为初始数据;步骤二:使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据,并获取所有初始数据的伪标签;初始数据的伪标签是通过稀疏子空间聚类直接获得;步骤三:在CNN1中对所有的初始数据及其伪标签进行预训练;对于CNN1中分类层中的目标函数,提出了基于度量学习的新的目标函数;步骤四:利用CNN1除去最后的分类层,再加上全连接层构成了CNN2;步骤五:将带标签的数据以及它们的标签在CNN2上进行微调;步骤六:在分类层之后,通过马尔可夫随机场,利用高光谱图像的空间信息,进一步对分类结果进行后处理,提高分类精度。2.根据权利要求1所述的一种新的高光谱图像数据半监督分类算法,其特征在于,所述初始数据包括标记高光谱数据和未标记高光谱数据;同时利用标记高光谱数据和未标记高光谱数据对CNN1进行训练。3.根据权利要求1所述的一种新的高光谱图像数据半监督分类算法,其特征在于,所述步骤三中CNN1是指代初始的深层卷积神经网络。4.根据权利要求1所述的一种新的高光谱图像数据半监督分类...
【专利技术属性】
技术研发人员:阎庆,张凯琳,丁云,张晶晶,寻丽娜,
申请(专利权)人:安徽大学,
类型:发明
国别省市:安徽,34
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。