基于数据增广和分类器融合的高光谱图像分类方法技术

本发明专利技术提供了一种基于数据增广和分类器融合的高光谱图像分类方法。首先，对高光谱图像数据进行预处理，并随机选择得到初始训练样本；然后，通过建立一个数据混合模型，指数级地扩充有标签的训练样本；接着，使用扩充的数据集训练基于卷积神经网络的分类器；最后，使用投票策略对多个分类器的结果进行融合，获得最终的分类结果。本发明专利技术方法能够避免卷积神经网络训练中的局部最小和过拟合问题、减少随机性的影响，在有限的有标签的训练样本的情况下，也能获得较好的分类效果。

Hyperspectral image classification method based on data augmentation and classifier fusion

【技术实现步骤摘要】
基于数据增广和分类器融合的高光谱图像分类方法
本专利技术属高光谱图像处理
，具体涉及一种基于数据增广和分类器融合的高光谱图像分类方法。
技术介绍
目前高光谱图像已经被广泛应用于环境监测、资源勘探及地物识别等领域。高光谱图像分类是其中的一项重要应用。在实际的应用中，标注高光谱图像需要依靠地质专家的经验，这通常需要大量的时间，并且代价高昂，因此高光谱图像中有标签的样本经常是有限的。基于深度神经网络的方法已被广泛应用于高光谱图像分类中，且已取得较好的分类效果。但是当有标签的训练样本较少时，基于深度神经网络的方法会变得过拟合，导致分类效果下降。如何在少量训练样本的情况下，有效地完成高光谱图像分类任务逐渐受到国内外学者的广泛关注。为了解决训练样本少的情况，文献“WeiWei,JinyangZhang,LeiZhang,ChunnaTian,YanningZhang:DeepCube-PairNetworkforHyperspectralImageryClassification.RemoteSensing.10(5):783(2018)”，通过采集三维邻域数据作为一个像素块来训练三维卷积本文档来自技高网...

【技术保护点】
1.一种基于数据增广和分类器融合的高光谱图像分类方法，其特征在于包括以下步骤：步骤1：对于高光谱图像数据

【技术特征摘要】
1.一种基于数据增广和分类器融合的高光谱图像分类方法，其特征在于包括以下步骤：步骤1：对于高光谱图像数据其类别标签矢量为其中，表示第i个样本数据，是第i个样本数据的one-hot标签，i＝1,2,...,n，n为样本总数，b表示光谱维数，L表示样本的类别总数；将高光谱图像数据X中的每个样本归一化至0～1范围内，然后从中随机地选择m个样本数据及其类别标签，得到训练数据和其对应的类别标签其中，m<n；步骤2：对步骤1得到的训练数据和其对应的标签进行混合，得到扩充的训练数据集，其中，混合采用的数据模型为：其中，xi,xj∈Xtrain，yi,yj∈Ytrain，i,j∈[1,2,...,m]，λ∈[0,1]为随机混合系数，为新的混合样本，为对应的one-hot标签，表示扩充后的训练数据集，k∈[1,2,...,m2]；步骤3：建立由三层卷积层和一个全连接层组成的卷积神经网络分类器，表示整个卷积神经网络的映射函数，θt表示网络参数，t∈[1,2,...,T]，在本发明中T＝10，共得到T个分类器；利用反向传播算法求解如下优化问题来进行网络训练，得到网络的...

【专利技术属性】
技术研发人员：魏巍，张艳宁，王聪，张磊，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61