一种高光谱图像分类方法技术

本发明专利技术公开高光谱图像分类方法

【技术实现步骤摘要】
一种高光谱图像分类方法、系统及设备


[0001]本专利技术涉及图像处理
，特别是涉及一种高光谱图像分类方法
、
系统及设备
。

技术介绍

[0002]目前存在的高光谱图像分类方法主要有两类：一类非深度学习方法；另一类是深度学习方法
。
在文献：“Computational efficiency active learning for classification of hyperspectral images,”中公开了一种计算效率主动学习
(CEAL)
算法，该算法利用聚类算法为每个未标记的样本预先分配组标签，并从每个聚类中查询不确定性最高的样本
。
但是高光谱图像
(hyperspectral image
，
HSI)
容易出现同物异谱及同谱异物现象的现象，导致不同类别之间的空间分布密集；由于空间分布紧密，类别中心难以确定；用有限的标记样本训练同一分类模型，得到不同预测结果的未标记样本数量是无法计算的
。
各种原因影响了基于主动学习的
HSI
方法的采样效果，影响了
HSI
分类的准确性
。

技术实现思路

[0003]本专利技术实施例的目的是提供一种高光谱图像分类方法
、
系统及设备，以提高
HSI
分类的准确性
。
[0004]为实现上述目的，本专利技术实施例提供了如下方案：
[0005]一种高光谱图像分类方法，包括：
[0006]获取高光谱图像数据；对所述高光谱图像数据进行预处理，得到处理后的数据；
[0007]将所述历史数据映射到嵌入空间，得到历史数据嵌入特征向量；所述历史数据嵌入特征向量包括：已标记嵌入特征向量和未标记嵌入特征向量；
[0008]根据所述历史数据嵌入特征向量和嵌入特征向量之间的距离关系，构建图卷积网络模型；将所述已标记嵌入特征向量和未标记嵌入特征向量输入所述图卷积网络模型中进行特征空间分布优化，得到优化后的样本；所述优化后的样本包括：优化后的未标记嵌入特征向量和优化后的原型样本；
[0009]计算所述优化后的未标记嵌入特征向量和优化后的原型样本的欧氏距离，得到核心样本；
[0010]将所述核心样本添加至所述历史数据中，得到扩充后的历史数据；将所述扩充后的历史数据输入神经网络模型中进行训练，得到高光谱图像分类模型；
[0011]将待分类图像输入所述高光谱图像分类模型中，得到高光谱图像分类结果
。
[0012]可选地，对所述高光谱图像数据进行预处理，得到处理后的数据，具体包括：
[0013]采用主成分分析法减少所述高光谱图像数据的数据冗余，得到第一数据；
[0014]根据所述第一数据边缘向不同方向扩展维度，得到任意一个独立提取的数据立方体；所述任意一个独立提取的数据立方体具有相同的空间维度
P
×
P
；所有提取的数据立方体组成第一数据集，
N
表示第一数据中所有像素点的个数；具体包括：
[0015]以第一数据中任一像素点为中心取样本块，将样本块与对应像素点的标签组成样本对；根据所述样本对提取以每个像素点为中心的
P
×
P
邻域数据立方体；根据所述
P
×
P
邻域数据立方体的尺寸大小对所述高光谱图像数据进行边缘填充，遍历每一个像素点得到所述处理后的数据；或者，对所述第一数据进行降维，得到第二数据；以第二数据中任一像素点为中心取样本块，将样本块与对应像素点的标签组成样本对；根据所述样本对提取以每个像素点为中心的
P
×
P
邻域数据立方体；根据所述
P
×
P
邻域数据立方体的尺寸大小对所述高光谱图像数据进行边缘填充，遍历每一个像素点得到所述处理后的数据
。
[0016]可选地，将所述历史数据映射到嵌入空间，得到历史数据嵌入特征向量，具体包括：
[0017]计算所述历史数据中的任意一个区分向量与预设
k
种分类中的其他样本的欧几里得距离；计算公式为：
[0018]dist
(
α
,
β
)
＝
||E
α
‑
E
β
||2；
[0019]E
α
表示第
α
区分向量，
E
β
表示第
β
区分向量，
dist
(
α
,
β
)
表示欧几里得距离；
[0020]根据所述欧几里得距离
dist
(
α
,
β
)
，得到预设
k
种分类中每个嵌入特征向量到另一个嵌入特征向量的距离向量集
L
k
为预设
k
种分类中距离向量的量；
[0021]根据所述距离向量集通过最小化预设
k
种分类中任一种分类所有距离向量的平均值，得到任意一个分类
p
k
的原型；计算公式为：
[0022][0023]其中，
aver
μ
表示距离向量集的第
μ
个距离向量中所有距离元素
dist
u
的平均值；所有的平均值形成一个集合
[0024][0025]根据所述集合得到原型样本
K
表示分类的个数；所述原型样本为所述历史数据嵌入特征向量的样本
。
[0026]可选地，构建所述图卷积网络模型，具体包括：
[0027]根据所述历史数据嵌入特征向量的样本进行边缘信息编码，得到邻接矩阵
A
；所述邻接矩阵
A
的初始元素包括所述历史数据嵌入特征向量的样本的每个历史数据嵌入特征向量之间的向量积
S
；
[0028]边缘信息编码过程为：
A
＝
D
‑1(S
‑
1)+I
；其中，
D
表示
S
的阶数，
I
为恒等矩阵；
[0029]根据所述邻接矩阵
A
，得到所述图卷积网络模型的第一层；具体包括：
[0030][0031]其中，表示所述图卷积网络模型的第一层的输出特征，
h
表示隐藏层单元数，
θ1为所述图卷积网络模型的第一层参数，
v
表示输入的嵌入特征向量，表示第一层图
卷积函数；
[0032]通过所述图卷积网络模型的第一层判断所述历史数据嵌入特征向量的样本是否被标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种高光谱图像分类方法，其特征在于，包括：获取高光谱图像数据；对所述高光谱图像数据进行预处理，得到处理后的数据；将所述历史数据映射到嵌入空间，得到历史数据嵌入特征向量；所述历史数据嵌入特征向量包括：已标记嵌入特征向量和未标记嵌入特征向量；根据所述历史数据嵌入特征向量和嵌入特征向量之间的距离关系，构建图卷积网络模型；将所述已标记嵌入特征向量和未标记嵌入特征向量输入所述图卷积网络模型中进行特征空间分布优化，得到优化后的样本；所述优化后的样本包括：优化后的未标记嵌入特征向量和优化后的原型样本；计算所述优化后的未标记嵌入特征向量和优化后的原型样本的欧氏距离，得到核心样本；将所述核心样本添加至所述历史数据中，得到扩充后的历史数据；将所述扩充后的历史数据输入神经网络模型中进行训练，得到高光谱图像分类模型；将待分类图像输入所述高光谱图像分类模型中，得到高光谱图像分类结果
。2.
根据权利要求1所述的高光谱图像分类方法，其特征在于，对所述高光谱图像数据进行预处理，得到处理后的数据，具体包括：采用主成分分析法减少所述高光谱图像数据的数据冗余，得到第一数据；根据所述第一数据边缘向不同方向扩展维度，得到任意一个独立提取的数据立方体；所述任意一个独立提取的数据立方体具有相同的空间维度
P
×
P
；所有提取的数据立方体组成第一数据集，
N
表示第一数据中所有像素点的个数；具体包括：以第一数据中任一像素点为中心取样本块，将样本块与对应像素点的标签组成样本对；根据所述样本对提取以每个像素点为中心的
P
×
P
邻域数据立方体；根据所述
P
×
P
邻域数据立方体的尺寸大小对所述高光谱图像数据进行边缘填充，遍历每一个像素点得到所述处理后的数据；或者，对所述第一数据进行降维，得到第二数据；以第二数据中任一像素点为中心取样本块，将样本块与对应像素点的标签组成样本对；根据所述样本对提取以每个像素点为中心的
P
×
P
邻域数据立方体；根据所述
P
×
P
邻域数据立方体的尺寸大小对所述高光谱图像数据进行边缘填充，遍历每一个像素点得到所述处理后的数据
。3.
根据权利要求1所述的高光谱图像分类方法，其特征在于，将所述历史数据映射到嵌入空间，得到历史数据嵌入特征向量，具体包括：计算所述历史数据中的任意一个区分向量与预设
k
种分类中的其他样本的欧几里得距离；计算公式为：
dist
(
α
,
β
)
＝
||E
α
‑
E
β
||2；
E
α
表示第
α
区分向量，
E
β
表示第
β
区分向量，
dist
(
α
,
β
)
表示欧几里得距离；根据所述欧几里得距离
dist
(
α
,
β
)
，得到预设
k
种分类中每个嵌入特征向量到另一个嵌入特征向量的距离向量集
L
k
为预设
k
种分类中距离向量的量；根据所述距离向量集通过最小化预设
k
种分类中任一种分类所有距离向量的平均值，得到任意一个分类
p
k
的原型；计算公式为：
其中，
aver
μ
表示距离向量集的第
μ
个距离向量中所有距离元素
dist
u
的平均值；所有的平均值形成一个集合所有的平均值形成一个集合根据所述集合得到原型样本
K
表示分类的个数；所述原型样本为所述历史数据嵌入特征向量的样本
。4.
根据权利要求1所述的高光谱图像分类方法，其特征在于，构建所述图卷积网络模型，具体包括：根据所述历史数据嵌入特征向量的样本进行边缘信息编码，得到邻接矩阵
A
；所述邻接矩阵
A
的初始元素包括所述历史数据嵌入特征向量的样本的每个历史数据嵌入特征向量之间的向量积
S
；边缘信息编码过程为：
A
＝
D
‑1(S
‑
1)+I
；其中，
D
表示
S
的阶数，
I
为恒等矩阵；根据所述邻接矩阵
A
，得到所述图卷积网络模型的第一层；具体包括：其中，表示所述图卷积网络模型的第一层的输出特征，
h
表示隐藏层单元数，
θ1为所述图卷积网络模型的第一层参数，
v
表示输入的嵌入特征向量，表示第一层图卷积函数；通过所述图卷积网络模型的第一层判断所述历史数据嵌入特征向量的样本是否被标记，得到判断结果；若是，将标记的历史数据嵌入特征向量的样本赋为伪标签1；若否，将未标记的历史数据嵌入特征向量的样本赋为伪标签0；根据所述判断结果和
ReLU
激活函数，得到所述图卷积网络模型的第二层；具体包括：
F
g
＝
σ
(
θ2(ReLU(
θ1A))A)
；其中，
θ2为所述图卷积网络模型的第二层参数，
σ
表示
Sigmoid
激活函数；根据交叉熵函数和所述图卷积网络模型的第二层，得到所述图卷积网络模型；具体包括：其中，
c
表示当前计算的嵌入特征向量的序号，
L
vl
表示已标记嵌入特征向量的数量
。5.
一种高光谱图像分类系统，其特征在于，包括：数据处理模块，用于：获取高光谱图像数据；对所述高光谱图像数据进行预处理，得到处理后的数据；映射模块，与所述数据处理模块连接，用于：将所述历史数据映射到嵌入空间，得到历史数据嵌入特征向量；所述历史数据嵌入特征向量包括：已标记嵌入特征向量和未标记嵌
入特征向量；图卷积网络模型构建模块，与所述映射模块连接，用于根据所述历史数据嵌入特征向量和嵌入特征向量之间的距离关系，构建图卷积网络模型；特征空间分布优化模块，与所述映射模块连接，用于：将所述已标记嵌...

【专利技术属性】
技术研发人员：丁晨，杨露，郑萌萌，郑思睿，徐耀阳，陈静怡，赵俊豪，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：