基于XGBoost和域自适应的高光谱图像农作物跨场景分类制造技术

本发明专利技术提出基于XGBoost和域自适应的高光谱图像农作物跨场景分类方法，属于图像分类技术领域。首先，将不同场景的高光谱图像数据集输入深度嵌入模型，将高光谱数据嵌入低维空间以捕捉其内在结构和分布，使相似光谱的表示更加接近。然后，引入置信域自适应技术，通过判别器模型减少不同场景特征分布的差异，去除噪声样本，加强特征分布对齐。最后，本发明专利技术通过投票组合策略集成多个基分类器，减少单个分类器的偏差，提升泛化能力和鲁棒性。在Houston数据集上，该方法优于传统方法和主流域自适应模型，尤其在经济作物的Grass healthy和Grass stressed类别上效果显著提升。

【技术实现步骤摘要】

本专利技术涉及遥感图像分类领域，具体涉及一种基于xgboost和域自适应的高光谱图像农作物跨场景分类分类方法。

技术介绍

1、高光谱图像(hyperspectral image,hsi)具有丰富的信息和细微的光谱区分能力，广泛应用于矿物鉴定、军事侦察、精准农业等领域。在农业中，高光谱图像能够精确捕捉作物的生长状态、病害和养分分布，为农作物管理和产量预测提供了重要的支持。然而，传统的分类算法，如支持向量机和决策树，虽然已经在很大程度上满足了基本的分类需求，但面对高光谱数据的高维特性和光谱混合现象时，分类的复杂性显著增加，使得这些传统方法在处理此类数据时面临诸多挑战。此外，在实际应用中，高光谱图像分类还面临领域差异和标记样本稀缺等问题，尤其在农业领域，不同作物的生长环境和光谱特征差异大，导致分类模型的泛化性能下降，难以在不同领域中保持高准确度。目前的高光谱图像分类方法通常依赖大量标记样本进行训练，但在农业应用中，获取足够的标记样本既昂贵又耗时，且在不同的地理区域中，农作物的光谱特征存在显著差异，进一步增加了分类的难度。

2、为此，一些研究员尝试将领本文档来自技高网...

【技术保护点】

1.基于XGBoost和域自适应的高光谱图像农作物跨场景分类，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于XGBoost和域自适应的高光谱图像农作物跨场景分类，其特征在于，所述步骤b具体包括以下步骤：

3.根据权利要求1所述的基于XGBoost和域自适应的高光谱图像农作物跨场景分类，其特征在于，所述步骤c中，为了提高不同数据的可区分性，在深度嵌入模型生成的嵌入空间中，分别设置两个模型输出相同大小的嵌入空间，减少源嵌入空间和目标嵌入空间分布的差异性。

4.根据权利要求1所述的基于XGBoost和域自适应的高光谱图像农作物跨场景分类，其特征在于...

【技术特征摘要】

1.基于xgboost和域自适应的高光谱图像农作物跨场景分类，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于xgboost和域自适应的高光谱图像农作物跨场景分类，其特征在于，所述步骤b具体包括以下步骤：

3.根据权利要求1所述的基于xgboost和域自适应的高光谱图像农作物跨场景分类，其特征在于，所述步骤c中，为了提高不同数据的可区分性，在深度嵌入模型生成的嵌入空间中，分别设置两个模型输出相同大小的嵌入空间，减少源嵌入空间和目标嵌入空间分布的差异性。

4.根据权利要求1所述的基于xgboost和域自适应的高...

【专利技术属性】
技术研发人员：吴海滨，刘城洋，赵琳，王爱丽，孙晓明，盖建新，于双，赵烟桥，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：