一种基于无源迁移网络的高光谱图像分类方法技术

一种基于无源迁移网络的高光谱图像分类方法，属于遥感图像处理与应用技术领域，本发明专利技术设计防止神经网络过拟合的目标函数优化源域模型，减少了真实样本标签的类别在计算损失函数时的权重，起到抑制过拟合的效果。源域模型迁移到目标数据，对目标函数进行调整，使目标域特征输出具有个别的确定性和全局的多样性。同时为了防止目标域数据可能在一定程度上与错误源域匹配，因此使用伪标签技术进行模型训练。本发明专利技术只利用源域模型不需要存储利用源域数据，将分类模型迁移到目标域数据，提供了一种有效的高光谱图像无源迁移分类解决方案。一种有效的高光谱图像无源迁移分类解决方案。一种有效的高光谱图像无源迁移分类解决方案。

【技术实现步骤摘要】
一种基于无源迁移网络的高光谱图像分类方法


[0001]本专利技术属于遥感图像处理与应用
，具体涉及一种基于无源迁移网络的高光谱图像分类方法。

技术介绍

[0002]高光谱图像具有的高分辨率的光谱信息和大幅宽的空间信息，可以实现大幅宽、细粒度、高精度的对地观测任务。高光谱遥感图像分类是遥感领域的重要研究内容，通过分析相应的光谱
‑
空间信息，为高光谱图像的每个像素分配一个语义标签，是多种遥感应用的根本步骤与关键问题。高性能的高光谱图像分类技术将大幅度提升地物目标调研精细度，从而提升对地观测效率。
[0003]人们对高光谱分类方法与模型进行了大量的探索，并取得了优异的成果：
[0004]张淳民等人(参考文献：张淳民、穆廷魁、颜廷昱、陈泽宇.高光谱遥感技术发展与展望[J].航天返回与遥感.2018,39(3):104
‑
114.)分析了中国高光谱遥感技术发展现状，归纳了国际上未来高光谱遥感技术发展计划，对高光谱遥感技术未来发展进行了展望，指出了高光谱遥感图像、光谱、偏振多元信息一体化获取，智能化、网络化以及小型轻量化的发展趋势，可为中国高光谱遥感技术的进一步成熟化和实用化提供参考。
[0005]杨瑾文等人(参考文献：杨瑾文、赖文奎.深度学习算法在遥感图像分类识别中的应用现状及其发展趋势[J].测绘与空间地理信息.2020,43(04):114
‑
117.)总结了深度学习在遥感影像识别分类应用中存在的问题与发展走势。主要简述了三种经典的深度学习模型结构在遥感图像分类识别中的应用。深度信念网络算法由多组具有良好无监督学习能力的受限玻尔兹曼机组成；卷积神经网络可以很好地降低高维影像的维度，实现对其分类与识别；自编码器在特征提取和降维方面产生的重构误差少，但需要结合其他分类器才能获得高的精度。
[0006]刘颖等人(参考文献：刘颖、刘蕊、李大湘、杨凡超.基于空谱联合协同表征的高光谱图像分类算法[J].计算机工程与设计.2020,41(03):815
‑
820.)针对高光谱图像分类中空间及光谱信息利用不充分的问题，提出一种改进的空谱联合协同表征分类算法，通过获取训练像素与测试像素的欧式距离得到光谱信息，计算测试像素与训练像素的空间信息，结合空间信息与光谱信息建立空间联合表征分类模型，采用最小残差法实现高光谱图像分类。
[0007]赵婵娟等人(参考文献：赵婵娟、周绍光、刘丽丽、丁倩.基于同质区和迁移成分分析的高光谱图像分类[J].计算机工程与应用.2019.)利用影像同质区信息对传统的迁移成分分析思想(TCA)进行改进，以随机选取的一点代表一个目标域同质区斑块实现一次迁移成分分析及分类，用同一斑块中像素多次分类结果的众数作为目标域同质区斑块的共同类别。
[0008]上述方法多使用深度网络对高光谱图像进行空谱特征提取与分类，尝试实现高光谱图像迁移分类，从而利用源域数据中的信息辅助目标域数据分类任务。然而，大多数现有
的迁移分类方法需要在模型迁移过程中同时访问源域数据和目标域数据，由于存储条件与数据所有权等因素，不能共享源域数据集，这些局限性限制了高光谱迁移分类方法在实际场景中的使用。为此，在大数据时代，如何在不接触源域数据，只接触源域预训练的模型的前提下实现高光谱图像迁移分类是高光谱图像分类能否走向实际应用的关键问题。

技术实现思路

[0009]为了解决上述存在的问题，本专利技术提出：一种基于无源迁移网络的高光谱图像分类方法，包括三个阶段，第一阶段是通过防止过拟合的损失函数对源域模型进行优化；第二阶段是将预先训练的源域模型迁移到目标域数据，通过目标函数的优化调整模型的特征提取器使目标域特征输出具有个别的确定性和全局的多样性；第三阶段是通过伪标签技术训练模型，防止目标域数据与错误源域匹配，并通过带标签的目标域数据重新训练模型的特征提取器。
[0010]进一步地，所述第一阶段使用源域数据训练源域模型的步骤如下：S1.1、读取源域X
s
和目标域X
t
的高光谱图像进行预处理：
[0011]对源域和目标域高光谱图像的光谱特征进行线性归一化，线性归一化过程为：利用光谱特征的最大值和最小值对其进行线性变换，使其分布在0与1之间，线性归一化的定义公式如下：
[0012][0013]其中：X为输入的原始数据，X
min
和X
max
分别为数据的最小值和最大值。
[0014]进一步地，S1.2、构建单个卷积核的卷积层进行空间特征提取：
[0015]将该层作为特征提取的第一层，每一个像素点的值是由其自身和其邻域内的其他像素值按照不同的权重进行加权平均得到的，降低由同物异谱及同谱异物现象导致的分类不确定性。
[0016]进一步地，S1.3、构建2个全连接层提取光谱特征：
[0017]第一个全连接层以卷积层的输出为输入，第二个全连接层以第一个全连接层的输出为输入，针对某一源域样本特征提取过程的嵌入函数为f
s
(
·
)，全连接权重为W，相应的偏置参数为b，输出的特征向量为：
[0018][0019]进一步地，S1.4、采用softmax分类器对空谱特征分类；
[0020]分类器的嵌入函数为g
s
(
·
)，分类器权重为W
′
，相应的偏置参数为b
′
，分类器的输出为：
[0021][0022]S1.5、优化网络参数；
[0023]采用一种正则化策略优化网络参数，减少真实样本标签的类别在计算损失函数时的权重，起到抑制过拟合的效果，y
s
为样本的真实标签，表示分类器输出的向量的第k个元素，K为类别数目，M为样本数目，ε设置为0.1，Loss
source
公式如下：
[0024][0025][0026]进一步地，所述第二阶段进行源域模型迁移到目标数据处理步骤如下：S2.1、优化目标方程；
[0027]在输入目标域数据时，对网络模型的损失函数进行调整，公式如下：
[0028][0029][0030]其中，E为求均值，为经过softmax分类器的向量均值，y
t
为目标域样本的真实标签，表示分类器输出的向量的第k个元素，K为类别数目，N为样本数目。
[0031]进一步地，所述第三阶段进行自我监督伪标记训练处理步骤如下：S3.1、获得每个类的中心；
[0032]假设被分到某一类的样本个数为S，通过类似于加权K
‑
means聚类的方法获得该类的质心c0：
[0033][0034]进一步地，S3.2、为目标域样本分配标签；
[0035]根据目标域样本和所获得的类中心的余弦距离为目标样本分配伪标签，并通过带标签的目标域数据重新训练模型的特征提取器，分配标签的具体过程如下：
[0036][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无源迁移网络的高光谱图像分类方法，其特征在于，包括三个阶段，第一阶段是通过防止过拟合的损失函数对源域模型进行优化；第二阶段是将预先训练的源域模型迁移到目标域数据，通过目标函数的优化调整模型的特征提取器使目标域特征输出具有个别的确定性和全局的多样性；第三阶段是通过伪标签技术训练模型，防止目标域数据与错误源域匹配，并通过带标签的目标域数据重新训练模型的特征提取器。2.如权利要求1所述的基于无源迁移网络的高光谱图像分类方法，其特征在于，所述第一阶段使用源域数据训练源域模型的步骤如下：S1.1、读取源域X
s
和目标域X
t
的高光谱图像进行预处理：对源域和目标域高光谱图像的光谱特征进行线性归一化，线性归一化过程为：利用光谱特征的最大值和最小值对其进行线性变换，使其分布在0与1之间，线性归一化的定义公式如下：其中：X为输入的原始数据，X
min
和X
max
分别为数据的最小值和最大值。3.如权利要求2所述的基于无源迁移网络的高光谱图像分类方法，其特征在于，S1.2、构建单个卷积核的卷积层进行空间特征提取：将该层作为特征提取的第一层，每一个像素点的值是由其自身和其邻域内的其他像素值按照不同的权重进行加权平均得到的，降低由同物异谱及同谱异物现象导致的分类不确定性。4.如权利要求3所述的基于无源迁移网络的高光谱图像分类方法，其特征在于，S1.3、构建2个全连接层提取光谱特征：第一个全连接层以卷积层的输出为输入，第二个全连接层以第一个全连接层的输出为输入，针对某一源域样本特征提取过程的嵌入函数为f
s
(
·
)，全连接权重为W，相应的偏置参数为b，输出的特征向量为：5.如权利要求4所述的基于无源迁移网络的高光谱图像分类方法，其特征在于，S1.4、采用softmax分类器对空谱特征分类；分...

【专利技术属性】
技术研发人员：马晓瑞，哈林，王洁，王洪玉，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：