【技术实现步骤摘要】
一种基于深度自编码器构图的高光谱图像半监督分类方法
本专利技术涉及遥感图像处理
，具体涉及一种基于深度自编码器构图的高光谱图像半监督分类方法。
技术介绍
随着遥感技术的快速发展，高光谱以其丰富的谱域信息和空域信息得到了广泛的应用，具有“图谱合一”的特点。利用高光谱遥感技术对地物进行分类的重要原因是不同的物质表现出不同的光谱曲线，这些丰富的光谱信息可以极大地帮助目标识别和分类。在农业、林业、水体治理、地质勘探、土壤监测和城市地物分类等方面，高光谱遥感图像发挥了重要的作用。目前，具有代表性的K-近邻、支持向量机、神经网络等监督分类方法需要大量的样本数据训练网络模型，而在实际应用中由于缺乏足够多的标记样本，限制了监督分类方法在高光谱图像分类中的应用。另外，自训练方法、协同训练方法等半监督分类方法对样本间的相似性关系不够重视，影响高光谱图像的分类效果；其次，在特征提取方面，普通的特征提取方法往往也只关注单个样本的特征，而忽略了样本特征之间的相互联系。
技术实现思路
鉴于以上问题，本专利技术提出一种基...
【技术保护点】
1.一种基于深度自编码器构图的高光谱图像半监督分类方法，其特征在于，包括以下步骤：/n步骤一、获取高光谱图像训练和测试数据；其中，训练数据包含类别标签，测试数据不包含类别标签；/n步骤二、对所述高光谱图像训练和测试数据进行预处理；/n步骤三、构建稀疏自编码器用于获得高光谱图像数据的谱域特征；/n步骤四、用基于自我表达模型的方法构造图结构；/n步骤五、利用变分图自编码器(VGAE)优化图结构，获得重构后的系数矩阵；/n步骤六、对重构后的系数矩阵进行修正，获得修正后的图结构；/n步骤七、利用高斯随机场和调和函数(GRF)对测试数据进行分类；/n步骤八、将分类后的测试数据和初始训...
【技术特征摘要】
1.一种基于深度自编码器构图的高光谱图像半监督分类方法，其特征在于，包括以下步骤：
步骤一、获取高光谱图像训练和测试数据；其中，训练数据包含类别标签，测试数据不包含类别标签；
步骤二、对所述高光谱图像训练和测试数据进行预处理；
步骤三、构建稀疏自编码器用于获得高光谱图像数据的谱域特征；
步骤四、用基于自我表达模型的方法构造图结构；
步骤五、利用变分图自编码器(VGAE)优化图结构，获得重构后的系数矩阵；
步骤六、对重构后的系数矩阵进行修正，获得修正后的图结构；
步骤七、利用高斯随机场和调和函数(GRF)对测试数据进行分类；
步骤八、将分类后的测试数据和初始训练数据一起作为新的训练数据，迭代循环步骤三～步骤七，直至所有测试数据完成分类。
2.根据权利要求1所述的一种基于深度自编码器构图的高光谱图像半监督分类方法，其特征在于，步骤二中所述预处理包括降维处理和归一化处理；所述降维处理为将原始三维高光谱数据转换为二维高光谱数据。
3.根据权利要求1所述的一种基于深度自编码器构图的高光谱图像半监督分类方法，其特征在于，步骤三中构建稀疏自编码器包括以下步骤：
步骤三一、稀疏自编码器包括输入层、隐层和输出层，首先确定各层节点数、激活函数以及稀疏度条件，并初始化输入层和隐层之间的权值w1、偏差b1，隐层和输出层之间的权值w2、偏差b2；
步骤三二、利用高光谱图像训练数据训练稀疏自编码器，获得满足所述稀疏度条件的权值和偏差，并利用训练好的稀疏自编码器重构高光谱图像测试数据。
4.根据权利要求3所述的一种基于深度自编码器构图的高光谱图像半监督分类方法，其特征在于，步骤三二的具体计算过程包括：
编码过程：z＝d(w1x+b1)；
译码过程：
其中，x表示原始输入；f表示编码器函数；z表示隐变量；g表示重构函数；表示编码器重构输出；损失函数由重构损失和KL散度正则项两部分构成：
其中，J(w，b)表示原始输入与重构之间的损失，是权值w和偏差b的函数；β表示控制稀疏性惩罚因子的权重；s2表示隐层节点数；ρ表示设定的稀疏度；表示第j个隐层节点的平均激活输出。
5.根据权利要求1所述的一种基于深度自编码器构图的高光谱图像半监督分类方法，其特征在于，步骤四中构造图结构具体包括：利用重构训练样本的线性组合表示重构测试样本；由重构训练样本和重构测试样本组成图的节点，用线性表示系数作为图的边权重，对基于自我表达模型进行求解，获取最优的系数矩阵。
6....
【专利技术属性】
技术研发人员：王庆岩，张琦，陈萌，梁欣涛，王玉静，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23
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。