一种高光谱影像无监督自适应分类方法技术

本发明专利技术公开了一种高光谱影像无监督自适应分类方法，包括：S1、选择两个地物类别相同但分布不同的高光谱场景图像；S2、根据高光谱影像的特点构建以卷积神经网络为基础的深度学习网络模型作为特征提取器、分类器、域判别器；S3、交替训练分类器和特征提取器，直到域判别器不能正确区分两个域，判别过程通过采用深层特征和风格特征两部分的内容将源域和目标域进行对齐；S4、用训练好的特征提取器和分类器对目标域分类，得到分类结果图。本发明专利技术采用深度神经网络搭建特征提取器用于提取特征，并且同时构建分类器和域判别器；利用深层特征对齐和风格特征对齐两方面的内容减小两个域的差异，一定程度上缓解了跨域分类中的特征对齐难题。题。题。

【技术实现步骤摘要】
一种高光谱影像无监督自适应分类方法


[0001]本专利技术属于高光谱影像分类
，具体涉及一种高光谱影像无监督自适应分类方法。

技术介绍

[0002]高光谱影像由于具有光谱分辨率高、波段众多等显著特点，较于常规遥感影像，有更广泛的应用，如在实际应用中，常常被用来对目标范围内各地物进行分类识别。现有高光谱分类方法多采用监督方式通过对目标范围图像的空间和光谱信息进行分析和处理，往往可以得到较高的分类精度。然而，大规模无标注样本数据的现状对于无监督高光谱分类提出了广泛去修。根据高光谱图像的特点，一幅图像中常常包含多种地貌特征，其中如植被、建筑等地貌在其他图像中也常常出现，这一特征使得高光谱图像数据可以进行重复利用。在无标注数据的情况下，利用深度迁移学习算法在多个高光谱图像中进行跨域分类可以避免使用大量的标记样本，节省标记样本的成本。
[0003]针对迁移学习的影像分类问题，研究者已经做了大量的工作，但是面对复杂的高光谱影像，仍然面临着巨大的挑战。利用域自适应的技术对高光谱图像进行分类有重要的理论意义，首先域自适应可以对有地物标记的图像反复利用，而采用深度的方式可以更有效地从领域样本空间提取深层特征，与传统的提取特征方式相比，实现了更好的分类精度。同时，从一定程度上可以解决高光谱图像缺少带标记的训练样本而导致分类精度不高的问题，在高光谱图像地表精细分类等方面具有重要的应用价值。

技术实现思路

[0004]本专利技术提供一种高光谱影像分类方法，以克服以上问题。
[0005]本专利技术包括：<br/>[0006]S1、选择两组地物类别相同但分布不同的高光谱场景图像，一个作为源数据集，即源域，另一个作为目标数据集，即目标域；
[0007]S2、构建以卷积神经网络为基础的深度学习网络模型作为特征提取器，用于提取地物的分类特征；
[0008]分别构建两个网络模型作为分类器、判别器；分类器用于对样本进行具体类别的划分；判别器用于区分样本的来源以及样本的内容是否对齐；
[0009]S3、交替训练特征提取器、分类器和判别器，直至训练特征提取器、分类器和判别器的损失函数都达到最小值；
[0010]S4、用训练好的特征提取器和分类器对目标域分类，得到分类结果图。
[0011]进一步地，分类器参数的训练包括：
[0012]S311、建立源域的样本(X
S
,Y
S
)的分类损失函数：
[0013][0014]其中，为源域的样本(X
S
,Y
S
)的分类损失，源域的样本为{(X
S
,Y
S
)}＝{(x1,y1),(x2,y2),......,(x
i
,y
i
)}，k为类别，K代表类别总数，H(*)为交叉熵损失函数，M为特征提取器；
[0015]S312、建立目标域的样本X
T
的分类损失函数：
[0016][0017]其中，为目标域的样本X
T
的分类损失，C表示分类器，目标域的样本为X
T
＝{x1,x2,......,x
j
}，为条件交叉熵，p
j
(k)为样本x
j
属于第k类的概率。
[0018]S313、建立分类器的损失函数：
[0019][0020]其中，L
cls
表示分类器的训练结果。
[0021]进一步地，判别器的训练过程中采用了域对齐和类别对齐两个模块；判别器的训练包括：
[0022]S321、建立域对齐模块的损失函数：
[0023][0024][0025]其中，表示域对齐模块的损失，D表示域判别器，d
k
表示域，将源域的样本标记为1，目标域的样本标记为0，用于训练的不带标记的样本集为：
[0026]S322、建立类别对齐模块的损失函数：
[0027][0028]其中，表示类别对齐模块的损失，p
i
(k)代表样本x
i
属于第k类的概率，计算公式为：
[0029]p
i
(k)＝C(M(x
i
))
ꢀꢀꢀ
(6)
[0030]S323、建立判别器的训练函数：
[0031][0032]其中，L
D
表示判别器的训练结果。
[0033]进一步地，特征提取器的训练函数包括：
[0034]S331、对中间两层卷积神经网络的输出特征进行格拉姆矩阵运算：
[0035][0036]其中，Gr表示格拉姆矩阵运算结果，A表示神经网络中的输出特征图，A
T
表示矩阵的转置，a
i
表示网络中得到的转换之后在通道方向上的特征，n表示通道数；
[0037]S332、建立风格损失函数：
[0038][0039]其中，S
i
表示源域的训练样本在特征网络中第i层的特征图，T
i
表示目标域的训练样本在特征网络中第i层的特征图，n表示取n层的网络特征，L
S
表示风格损失；
[0040]S333、建立对抗损失函数：
[0041][0042]其中，将目标域的标记表示为1，L
adv
表示对抗损失；
[0043]S334、建立特征提取器的训练函数：
[0044]L
M
＝L
adv
+L
S
ꢀꢀꢀ
(11)
[0045]其中，L
M
表示特征提取器的训练结果。
[0046]进一步地，S2中分类器、判别器的网络模型以连接层为基础，由卷积层、池化层、线性层和激活层组成。
[0047]本专利技术采用深度神经网络搭建特征提取器用于提取特征，并且同时构建分类器和域判别器利用深层特征对齐和风格特征对齐两方面的内容减小两个域的差异，解决了传统的跨域分类问题中两个域的对齐困难。
附图说明
[0048]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0049]图1为本专利技术的流程图；
[0050]图2为本专利技术特征提取器的网络结构模型；
[0051]图3为实施例中采用的Pavia University数据集的真实地物分布图；
[0052]图4为实施例中采用ADDA模型在Pavia University数据集上的分类结果图；
[0053]图5为实施例中采用本专利技术方法在Pavia University数据集上的分类结果图；
[0054]图6为实施例中采用的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱影像无监督自适应分类方法，其特征在于，包括：S1、选择两组地物类别相同但分布不同的高光谱场景图像，一个作为源数据集，即源域；另一个作为目标数据集，即目标域；S2、构建以卷积神经网络为基础的深度学习网络模型作为特征提取器，特征提取器用于提取地物的分类特征；分别构建两个网络模型作为分类器、判别器；分类器用于对样本进行具体类别的划分；判别器用于区分样本的来源以及样本的内容是否对齐；S3、交替训练特征提取器、分类器和判别器，直至训练特征提取器、分类器和判别器的损失函数都达到最小值；S4、用训练好的特征提取器和分类器对目标域分类，得到分类结果图。2.根据权利要求1中所述的一种高光谱影像无监督自适应分类方法，其特征还在于，S3中所述分类器的训练包括：S311、建立源域的样本(X
S
,Y
S
)的分类损失函数：其中，为源域的样本(X
S
,Y
S
)的分类损失，源域的样本为{(X
S
,Y
S
)}＝{(x1,y1),(x2,y2),......,(x
i
,y
i
)}，k为类别，K代表类别总数，H(*)为交叉熵损失函数，M为特征提取器；S312、建立目标域的样本X
T
的分类损失函数：其中，为目标域的样本X
T
的分类损失，C为分类器，目标域的样本为X
T
＝{x1,x2,......,x
j
}，为条件交叉熵，p
j
(k)为样本x
j
属于第k类的概率；S313、建立分类器的损失函数：其中，L
cls
表示分类器的训练结果。3.根据权利要求1中所述的一种高光谱影像无监督自适应分类方法，其特征还在于，判别器的训练过程中采用了内容对齐，所述内容对齐包括：域对齐和类别对齐；S3中所述判别器的训练包括：S...

【专利技术属性】
技术研发人员：于纯妍，宋梅萍，刘睬瑜，于浩洋，张建祎，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：