一种高光谱图像分类算法制造技术

本发明专利技术公开了一种高光谱图像分类算法，结合自训练半监督分类算法和吸引子传播算法，与传统的自训练半监督分类算法不同，本发明专利技术提出算法在3个方面有所改进。首先，提出算法引入吸引子传播算法自适应的搜索可信度高的未标记样本。其次，提出算法使用“邻域”限制未标记样本的搜索范围，提高可靠性。与传统的基于分割的空间信息提取算法相比，能有效减少运算量。第三，提出算法使用光谱相关角构造吸引子传播算法的相似度矩阵。本发明专利技术将提出算法在经典高光谱图像Indian Pines上与高斯混合模型半监督分类算法、拉普拉斯支持向量机、基于k近邻的自训练半监督分类算法比较。提出算法较对比算法有较高的全局分类精度，有更快的收敛速度。

【技术实现步骤摘要】
一种高光谱图像分类算法
本专利技术涉及高光谱图像分类
，特别涉及一种高光谱图像分类算法。
技术介绍
高光谱遥感图像丰富的空间信息和光谱信息为地物精确识别提供有利条件。但是，由于高光谱数据有标记样本稀少且难以获得，导致在高光谱数据处理中容易出现Hughes现象。为了解决这个问题，很多学者专注于研究半监督学习算法。半监督学习算法是一类利用少量的有标记样本和大量的未标记样本，通过半监督学习策略，提高少标记样本条件下分类精度的分类方法。目前，半监督学习的学习策略主要有生成模型(Lietal.(2013))、自训练模型(WangCetal.(2018),Fazakisetal.(2019))、联合训练模型(Jian-HuaZetal.(2013),SonLHetal(2016))、图模型(JamshidpourNetal(2017),ShaoYetal(2017))和直推式模型(BruzzoneLetal.(2006))。近年来，很多半监督学习方法与深度学习方法结合，产生了很好的效果(ZhanYetal(2018)，KangXetal.(2019)本文档来自技高网...

【技术保护点】
1.一种高光谱图像分类算法，其特征在于，结合自训练半监督分类算法和吸引子传播算法，并将标记样本的更新区域限制在标记样本邻域中，包括如下步骤：/n步骤1：初始化：设标记样本集合L＝{(x

【技术特征摘要】
1.一种高光谱图像分类算法，其特征在于，结合自训练半监督分类算法和吸引子传播算法，并将标记样本的更新区域限制在标记样本邻域中，包括如下步骤：
步骤1：初始化：设标记样本集合L＝{(xi，yi)，xi∈Rd，i＝1,2,…，n}，其中Xi为标记样本，yi∈{L1，L2，…，Lm}为样本标签，n为标记样本数量，d为样本维数，m为样本类别数；设未标记样本U＝{X1*,X2*,…Xu*}，其中Xi*为未标记样本，u为未标记样本数；
步骤2：根据标记样本集合L训练初始分类器；
步骤3：找到分类正确的标记样本，得到正确分类标记样本集合Lcorrect＝{xc1，xc2，…，xck}，其中xci为正确分类的标记样本，k为正确分类标记样本数；
步骤4：对每一个Lcorrect中的样本，获得标记样本xci的位置信息，其中i表示第i个样本；设标记样本xci的位置坐标为(ii,jj)，所求邻域为以(ii,jj)为中心，边长为L(L取奇数)的正方形，则设邻域样本集的位置信息为Dineighbour；
步骤5：在邻域样本位置集合Dineighbour中找到属于未标记样本的位置，并获得对应标记样本xci的邻域未标记样本集UiAP；将标记样本xci加入到样本集UiAP中；
步骤6：对UiAP求相似矩阵S；
步骤7：设矩阵re为吸引度，矩阵av为归属度，更新re，av；
步骤8：通过UiAP中样本的范例样本标签向量c，找到与xci同一聚类的样本，得到可信未标记样本集Uitrue；
步骤9：将可信未标记样本集Uitrue加入到标记样本集L中，样本标签为li；
步骤10：判断是否对Lcorrect中所有样本处理完成，如果是，则迭代次数加1，并判断迭代次数是否超过预设值或分类精度改变值不超过预设阈值次数是否超过预设值，如果是，则算法结束；如果否，则转到步骤2；如果对判断是否对Lcorrect中所有样本处理完成为否，则转到步骤4。

...

【专利技术属性】
技术研发人员：潘海珠，葛海淼，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：黑龙江;23