基于规则约束和不规则约束的半监督高光谱影像分类方法技术

本发明专利技术涉及基于规则约束和不规则约束的半监督高光谱影像分类方法，属于高光谱遥感领域；高光谱影像的数据预处理；基于神经网络的多尺度影像输入融合，生成拼接后的图像块；根据拼接后的图像块，基于反卷积网络的规则约束生成，计算规则损失值Θ

【技术实现步骤摘要】
基于规则约束和不规则约束的半监督高光谱影像分类方法


[0001]本专利技术属于高光谱遥感领域，涉及基于规则约束和不规则约束的半监督高光谱影像分类方法。

技术介绍

[0002]近年来高光谱遥感在遥感领域获得了广泛的关注。高光谱遥感图像记录了地面物体连续的空间信息以及光谱信息，与传统遥感影像相比，高光谱影像的优势主要表现在以下几个方面：高空间分辨率和高光谱分辨率；光谱范围宽，有连续数百个光谱波段；空间和光谱信息混合。这些优点极大的扩宽了遥感在实际生活工作中的应用范围和深度。但是高光谱的特点也对我们的分类技术和精度提出了更高要求。一是，高光谱遥感影像光谱信息相关性强，不易分辨，容易出现同谱异物和同物异谱的问题。维度冗余使得在低维空间上表现良好的分类方法在高光谱分类中会遇到困难，如何在保留丰富信息的基础上进行降维正是需要研究并解决的问题。第二，高光谱图像分类一般需要大量人工标记样本，但相对于大量的未标记样本，标记样本的数量很少，标记的成本也较高。
[0003]随着人工智能的发展，基于深度学习的方法在高光谱图像分类中显示出了巨大的潜力。深度神经网络是深度学习的代表之一，它通过多层的神经网络结构，对复杂数据进行处理，获取其深层次特征。与传统方法相比，它获取的特征更加的抽象，在高光谱图像分类领域也有着更大的优势。目前基于深度学习的高光谱分类方法大多采用深度网络提取空间
‑
光谱信息，结合PCA和SAE等降维方法和分类器进行像素级的分类。然而，高光谱图像空间维数高，数据复杂，也常常出现“同谱异物”或“同物异谱”的情况。这也就导致像素级的分类任务中常常出现“椒盐噪声”问题，错分类的像素噪点严重影响着分类的精度。此外，多数分类方法是单一的特征提取方式，缺乏有效的约束条件来控制学习的过程，导致网络提取特征的能力受限，出现信息缺失或者特征有效性不足的情况。最后，考虑到高光谱图像标记样本有限的情况，应该继续考虑结合半监督学习的方法更多的利用未标记样本。

技术实现思路

[0004]本专利技术解决的技术问题是：克服现有技术的不足，提出基于规则约束和不规则约束的半监督高光谱影像分类方法，提高了高光谱影像分类的效果，有效减少了离散的错分噪点，同时引入了半监督的方式，减少了样本的需求数量。
[0005]本专利技术解决技术的方案是：
[0006]基于规则约束和不规则约束的半监督高光谱影像分类方法，包括：
[0007]高光谱影像的数据预处理；
[0008]基于神经网络的多尺度影像输入融合，生成拼接后的图像块；
[0009]根据拼接后的图像块，基于反卷积网络的规则约束生成，计算规则损失值Θ
R
；
[0010]基于超像素聚类的不规则约束生成，计算不规则损失值Θ
I
；
[0011]基于超像素约束的未标记样本引入和半监督学习；
[0012]利用获取的多个约束计算损失函数Θ；
[0013]将损失函数Θ带入神经网络进行反向传播，对神经网络的参数进行更新优化，获得优化后的神经网络；
[0014]将高光谱影像的数据输入至优化后的神经网络，神经网络对高光谱影像的数据进行特征提取，按照积累经验对特征进行分类。
[0015]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，所述高光谱影像的数据预处理方法为：
[0016]在高光谱影像的数据输入网络进行处理之前消除异常值并进行归一化处理。
[0017]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，消除异常值的具体方法为：
[0018]检测高光谱影像的数据中的异常值，并通过插值计算代替异常值，进行校正。
[0019]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，归一化处理的具体方法为：
[0020]对高光谱影像的数据的数值按比例缩放，使之统一映射到[0，1]区间内。
[0021]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，所述基于神经网络的多尺度影像输入融合方法为：
[0022]S11、获取不同大小的图像块作为神经网络的输入；
[0023]S12、将不同大小的图像块分别输入不同大小的卷积层，并获得相同大小的输出；
[0024]S13、将输出结果进行拼接，获得拼接后的图像块。
[0025]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，所述基于反卷积网络的规则约束生成的方法为：
[0026]S21、将拼接后的图像块作为卷积神经网络的输入，获得特征向量
[0027]S22、利用特征向量通过反卷积层获取与输入图像块尺度相同的特征图X
′
j
；
[0028]S23、通过均方损失函数计算输入图像块
[0029]S24、计算与X
′
j
之间的损失值，记为规则损失值Θ
R
。
[0030]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，所述规则损失值Θ
R
的计算方法为：
[0031][0032]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，基于超像素聚类的不规则约束生成，计算不规则损失值Θ
I
的方法为：
[0033]S31、基于获得的特征向量对图像进行均值漂移聚类；
[0034]S32、利用聚类结果计算每个超像素内的平均光谱特征
[0035]S33、通过特征向量和平均光谱特征的差计算L2范数平方所得结果除平衡参数σ后，对所有超像素求平均值，得到不规则约束损失值，记为不规则损失值Θ
I
：
[0036][0037]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，基于超像素约束的未标记样本引入和半监督学习具体为：
[0038]S41、利用规则约束计算损失值，其中并没有样本标记的参与；
[0039]S42、利用不规则约束在进行均值漂移聚类的过程中引入了全图的数据，其中包括没有标记的样本。
[0040]在上述的基于规则约束和不规则约束的半监督高光谱影像分类方法，利用获取的多个约束形成损失函数的方法为：
[0041]S51、计算基于监督分类的交叉熵损失值Θ
CE
；
[0042]S52、对规则损失值Θ
R
、不规则损失值Θ
I
和交叉熵损失值Θ
CE
进行加权求和，得到损失函数Θ；Θ＝λ1Θ
R
+λ2Θ
I
+λ3Θ
CE
；式中，λ1、λ2、λ3分别为规则约束、不规则约束和交叉熵损失的平衡参数。
[0043]本专利技术与现有技术相比的有益效果是：
[0044](1)本专利技术通过多尺度卷积层输入和附加约束的强化对特征的提取能力，同时利用不规则约束保留图卷积网络中基于图的半监督优势。最终实现了高光谱图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于规则约束和不规则约束的半监督高光谱影像分类方法，其特征在于：包括：高光谱影像的数据预处理；基于神经网络的多尺度影像输入融合，生成拼接后的图像块；根据拼接后的图像块，基于反卷积网络的规则约束生成，计算规则损失值Θ
R
；基于超像素聚类的不规则约束生成，计算不规则损失值Θ
I
；基于超像素约束的未标记样本引入和半监督学习；利用获取的多个约束计算损失函数Θ；将损失函数Θ带入神经网络进行反向传播，对神经网络的参数进行更新优化，获得优化后的神经网络；将高光谱影像的数据输入至优化后的神经网络，神经网络对高光谱影像的数据进行特征提取，按照积累经验对特征进行分类。2.根据权利要求1所述的基于规则约束和不规则约束的半监督高光谱影像分类方法，其特征在于：所述高光谱影像的数据预处理方法为：在高光谱影像的数据输入网络进行处理之前消除异常值并进行归一化处理。3.根据权利要求2所述的基于规则约束和不规则约束的半监督高光谱影像分类方法，其特征在于：消除异常值的具体方法为：检测高光谱影像的数据中的异常值，并通过插值计算代替异常值，进行校正。4.根据权利要求3所述的基于规则约束和不规则约束的半监督高光谱影像分类方法，其特征在于：归一化处理的具体方法为：对高光谱影像的数据的数值按比例缩放，使之统一映射到[0，1]区间内。5.根据权利要求1所述的基于规则约束和不规则约束的半监督高光谱影像分类方法，其特征在于：所述基于神经网络的多尺度影像输入融合方法为：S11、获取不同大小的图像块作为神经网络的输入；S12、将不同大小的图像块分别输入不同大小的卷积层，并获得相同大小的输出；S13、将输出结果进行拼接，获得拼接后的图像块。6.根据权利要求1所述的基于规则约束和不规则约束的半监督高光谱影像分类方法，其特征在于：所述基于反卷积网络的规则约束生成的方法为：S21、将拼接后的图像块作为卷积神经网络的输入，获得特征向量S22、利用特征向量通过反卷积层获取与输入图像块尺度相...

【专利技术属性】
技术研发人员：赵旭东，隋正伟，李俊杰，苏文博，杨易鑫，胡国庆，李敏，
申请(专利权)人：中国四维测绘技术有限公司，
类型：发明
国别省市：