一种互导学习高光谱图像分类方法
文献发布时间:2023-06-19 12:02:28
技术领域
本发明涉及高光谱图像分类领域,具体涉及一种互导学习高光谱图像分类方法。
背景技术
高光谱图像分类技术是一项极具特色的前沿技术,在遥感观测领域占据重要地位。高光谱图像具有空间信息,同时,具有纳米级波谱分辨率及数百个光谱波段特性,因此比传统的遥感图像具有更为丰富的光谱信息及能区分细微光谱差异的优势,现已广泛应用于遥感观测服务的现代农业、医学研究、环境治理、资源勘探和军事防御等领域。高光谱图像数据维数高,图像分类器的训练需要大量标记样本。现阶段高光谱图像样本标记主要基于专家知识、经验等进行人工标记,标记效率低,标记成本高,标记样本量严重不足。如何在小标记样本集的训练条件下,有效进行高精度高光谱图像分类,是遥感观测领域的一个挑战性难题。
发明内容
本发明的目的在于提供一种互导学习高光谱图像分类方法,解决小样本集训练条件下分类精度低的问题。
为了实现上述目的,本发明的技术方案为:
(1)将高光谱图像表达为像元样本集。
像元样本集X由标记样本集X
(2)构建两个结构相同但初始化参数不同的分类器,作为两个基分类器。
两个基分类器分别表示为C(·;α
两个基分类器对样本x∈X的分类操作分别表示为:
y
y
其中,y
(3)两个基分类器分别用对方提供的标记样本集训练。
训练过程为:
其中,argmin表示寻找最小评分的参量,
(4)两个基分类器分别对自己的未标记样本集分类。
分类得到类别标记:
其中,
(5)将两个基分类器的分类结果中高置信度样本分别扩增至它们自己的标记样本集。
扩增过程为:
其中,
同时,分别更新C
(6)重复步骤(3)至(5)直到标记样本集扩增至特定规模。
标记样本集扩增至其容量为像元样本集的η百分比,停止重复步骤(3)至(5),此时迭代次数k达到K。
(7)两个基分类器决策获得最终分类结果。
无标记样本的最终分类结果由两个基分类器决策获得,主要有以下两种情况:
第一种情况:当第K次迭代训练得到的C
第二种情况:当第K次迭代训练得到的C
较之现有技术,本发明的有益效果在于:
(1)构建两个基分类器,用它们的高置信度分类结果不断扩增其标记样本集,迭代用于训练,从而进一步扩增标记样本集,改善标记样本集不足的条件,解决了小标记样本集训练导致的分类精度低的问题;
(2)两个基分类器分别将自己的标记样本集提供给对方训练,这种互导学习模式能够让两个基分类器从对方学习到不同的信息,有效提升了其分类能力;
(3)样本的最终分类结果通过两个基分类器决策获得,保证了整体的分类精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见文中附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可使用或产生其他附图。
图1为本发明互导学习高光谱图像分类方法的流程示意图;
图2为互导学习进行训练与分类的原理图(
图3为提供的互导学习高光谱图像分类方法整体框架图;
图4为真实类别标记与本发明方法分类结果的对比图;
图5为本发明方法进行十次迭代过程中总体精度的变化图;
图6为本发明方法进行十次迭代过程中平均精度的变化图;
图7为本发明方法进行十次迭代过程中卡帕系数的变化图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
(1)将高光谱图像表达为像元样本集。
超像素主成分分析作为特征提取器,对高光谱像元全波段像元样本进行特征提取,得到比全波段维度低的特征,用低维特征表达高光谱像元样本,进行后续的机器学习。具体操作如下:
定义高光谱图像为
其中,argmax表示寻找最大评分的参量,S
(2)构建两个结构相同但初始化参数不同的分类器,作为两个基分类器。
超限学习机的输入权重和隐含层偏置是随机产生的,该特点使超限学习机能够实现随机初始化。两个具有相同结构的超限学习机作为基分类器,分别表示为C(·;α
两个基分类器对样本x∈X的分类操作分别表示为:
其中,y
(3)两个基分类器分别用对方提供的标记样本集训练。
训练过程为:
其中,argmin表示寻找最小评分的参量,
(4)两个基分类器分别对自己的未标记样本集分类。
分类得到类别标记:
其中,
(5)将两个基分类器的分类结果中高置信度样本分别扩增至它们自己的标记样本集。
扩增过程为:
其中,
同时,分别更新C
(6)重复步骤(3)至(5)直到标记样本集扩增至特定规模。
标记样本集扩增至其容量为像元样本集的η百分比,停止重复步骤(3)至(5),此时迭代次数k达到K。
(7)两个基分类器决策获得最终分类结果。
无标记样本的最终分类结果由两个基分类器决策获得,主要有以下两种情况:
第一种情况:当第K次迭代训练得到的C
第二种情况:当第K次迭代训练得到的C
本发明使用帕维亚大学高光谱数据集进行实验验证与分析。为了满足小样本集训练的条件,仅随机选择5%的样本作为标记训练样本对C
图4为真实类别标记(左图)与用本发明方法分类得到类别标记(右图)的对比图。可以看出本发明方法最终分类结果逼近真实类别标记,说明在小样本集训练条件下,本发明提供的互导学习高光谱图像分类方法获得了优异的分类表现。
图5至图7为采用本发明方法进行十次迭代过程中三个指标(总体精度、平均精度和卡帕系数)的变化图。尽管在迭代过程中,C
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
- 一种互导学习高光谱图像分类方法
- 一种复合核结构的超限学习机高光谱图像分类方法及装置