一种基于样本选择策略的高光谱图像分类方法技术

本发明专利技术公开了一种基于样本选择策略的高光谱图像分类方法，具体包括如下步骤：步骤1，进行后验概率建模；步骤2，利用查询函数F构建无标签样本集S；步骤3，对无标签样本集S中的每一个样本人工分派一个标签，构成标记样本集S

【技术实现步骤摘要】
一种基于样本选择策略的高光谱图像分类方法


[0001]本专利技术属于遥感图像处理
，涉及一种基于样本选择策略的高光谱图像分类方法。

技术介绍

[0002]随着光谱成像技术的发展，光谱波段的数量不断增加，从多光谱数据集向高光谱数据集发展。这种光谱精度的提高提供了更多的信息，允许更广泛和精确的应用。例如，可以大大提高对同一种地物的不同类型(例如不同类型的森林)的识别能力。然而，这些高光谱传感器具有很高的光谱分辨率，通常会导致数据维数的增加。因此，一般而言，高维数据作为分类器的输入时，分类器的分类精度会显著下降。这种现象可以看作是一个不适定问题，即：从有限的训练样本中学习高维密度。为了处理这个问题，研究者们做了大量的工作。具体来说，支持向量机(SVM)是一种有效的判别技术，它通过推断特征空间中类之间的边界来学习高维空间中的类分布，并已成功地应用于利用有限的训练样本对高光谱数据进行监督和半监督分类。此外，多项逻辑回归(MLR)是处理不适定问题的另一种方法。MLR直接建模类的后验概率密度，作为一种判别分类器它可以对高光谱图像进行良好的分类。
...

【技术保护点】

【技术特征摘要】
1.一种基于样本选择策略的高光谱图像分类方法，其特征在于：具体包括如下步骤：步骤1，主动学习：随机选择l个标记样本组成训练集L训练多项逻辑回归模型，得到分类器模型G，利用分类器模型G对光谱图像像素进行后验概率建模；步骤2，主动学习：利用查询函数F从无标签样本池中选择一组无标签样本构成无标签样本集S；步骤3，主动学习：对无标签样本集S中的每一个样本人工分派一个标签，构成标记样本集S
’
；步骤4，主动学习：将步骤3所得的标记样本集S
’
添加到训练集L中；步骤5，主动学习：利用训练样本集L重新训练分类器模型G；步骤6，重复执行步骤2～5的主动学习过程，当循环次数达到规定的循环次数最大上限Smax，停止循环并转步骤7；步骤7，利用后验概率判别准则对高光谱图像进行分类，输出分类结果。2.根据权利要求1所述的一种基于样本选择策略的高光谱图像分类方法，其特征在于：所述步骤1中：利用训练集L训练多项式逻辑回归模型G，采用多项式逻辑回归模型G对高光谱图像像素进行后验概率建模：其中，k∈Ω，Ω≡{1，...，K}，h(x
i
)≡[h1(x
i
)，...，h
l
(x
i
)]
T
是输入的l个固定函数组成的一个向量，通常称为特征，为逻辑回归因子，h(x
i
)≡[1，g(x
i
，x1)...，g(x
i
，x
l
)]
T
为输入特征向量，i表示第i个中心像素。3.根据权利要求2所述的一种基于样本选择策略的高光谱图像分类方法，其特征在于：所述步骤2中，利用如下公式(2)获取查询函数F：其中，max
k∈Ω
P(y
i
＝k|x

【专利技术属性】
技术研发人员：贾萌，张亚文，白佳伟，赵志强，张诚，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：