一种高光谱图像分类方法、装置、电子设备及存储介质

技术领域

本发明涉及遥感图像处理技术领域，特别涉及一种高光谱图像分类方法、装置、电子设备及存储介质。

背景技术

高光谱图像，即具有高光谱分辨率的遥感图像，其利用数百个窄带提供丰富的光谱信息，每个像素点对应一个由多频段数据值组成的向量数据，可提高对地表地物材料和结构的识别能力，在目标检测、农业监测、矿产测绘、国防建设等应用领域具有重要作用。但是高光谱图像数据的高维性导致了Hughes现象(即在高光谱分析中过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象)，而且其训练数据分布的不平衡也给分类带来很大困难。因此，目前的分类技术难以准确对高光谱图像中呈现的物质进行准确识别。

发明内容

基于现有技术进行高光谱图像分类识别准确性差的问题，本发明实施例提供了一种高光谱图像分类方法、装置、电子设备及存储介质，能够针对维度高、特征冗余、分布不平衡的高光谱图像数据进行处理，实现准确性高、稳定性高的像素点分类。

第一方面，本发明实施例提供了一种高光谱图像分类方法，包括：

获取有分类标签的高光谱图像数据集，确定其中的所有分类以及各分类对应的像素点数据；

确定待选取的训练样本集的数据量；

基于训练样本集的数据量、所有分类的总数以及各分类对应的像素点数据，得到训练样本集，并将剩余像素点数据组成测试样本集；

构建分类模型；所述分类模型包括多路投票通道和至少两种分类器，每路投票通道中均设有一个分类器，用于对输入的数据进行分类，若所述分类器为核极限学习机，则所述分类模型中只有一路无数据变换处理的投票通道采用该种分类器，若所述分类器不是核极限学习机，则所述分类模型中至少有两路投票通道采用该种分类器，其中一路为无数据变换处理的投票通道，其余为有数据变换处理的投票通道；所述分类模型用于基于每路投票通道的分类结果，通过投票得出最终的分类结果；

根据投票通道的总数，通过装袋法对得到的训练样本集进行有放回均匀采样，得到新增的训练样本集；

基于得到的训练样本集，对所述分类模型中的各路投票通道进行训练；

基于测试样本集对训练后的所述分类模型进行测试；

获取高光谱图像数据，输入所述分类模型进行识别与分类，得到相应的分类结果。

可选地，所述基于训练样本集的数据量、所有分类的总数以及各分类对应的像素点数据，得到训练样本集，包括：

基于训练样本集的数据量和所有分类的总数，确定对各个分类的样本抽取量；

根据确定的样本抽取量，通过平均选择对每个分类对应的像素点数据进行无放回抽样，得到训练样本集。

可选地，所述基于训练样本集的数据量和所有分类的总数，确定对各个分类的样本抽取量，包括：

设待选取的训练样本集的数据量为N，所有分类的总数为M，则单个分类的样本抽取量为[N/M]个数据；[]表示取整；

对于像素点数据不小于[N/M]的分类，确定样本抽取量为[N/M]；对于像素点数据小于[N/M]的分类，确定样本抽取量为[N/2M]；

所述根据确定的样本抽取量，通过平均选择对每个分类对应的像素点数据进行无放回抽样，包括：

分别根据对应的样本抽取量，对每个分类对应的像素点数据进行无放回抽样选取；

若对所有分类都进行抽样选取后，所得的数据量小于N，则从剩余的像素点数据中随机抽取，补足训练样本集。

可选地，所述数据变换处理包括特征的提取或选择。

可选地，所述数据变换处理为主成分分析。

可选地，所述分类模型的分类器包括核极限学习机、支持向量机和多项式逻辑回归。

第二方面，本发明实施例还提供了一种高光谱图像分类装置，包括：

获取数据模块，用于获取有分类标签的高光谱图像数据集，确定其中的所有分类以及各分类对应的像素点数据；

确定样本量模块，用于确定待选取的训练样本集的数据量；

确定样本集模块，用于基于训练样本集的数据量、所有分类的总数以及各分类对应的像素点数据，得到训练样本集，并将剩余像素点数据组成测试样本集；

构建模型模块，用于构建分类模型；所述分类模型包括多路投票通道和至少两种分类器，每路投票通道中均设有一个分类器，用于对输入的数据进行分类，若所述分类器为核极限学习机，则所述分类模型中只有一路无数据变换处理的投票通道采用该种分类器，若所述分类器不是核极限学习机，则所述分类模型中至少有两路投票通道采用该种分类器，其中一路为无数据变换处理的投票通道，其余为有数据变换处理的投票通道；所述分类模型用于基于每路投票通道的分类结果，通过投票得出最终的分类结果；

新增样本模块，用于根据投票通道的总数，通过装袋法对得到的训练样本集进行有放回均匀采样，得到新增的训练样本集；

训练模型模块，用于基于得到的训练样本集，对所述分类模型中的各路投票通道进行训练；

测试模型模块，用于基于测试样本集对训练后的所述分类模型进行测试；

识别图像模块，用于获取高光谱图像数据，输入所述分类模型进行识别与分类，得到相应的分类结果。

可选地，所述确定样本集模块用于基于训练样本集的数据量、所有分类的总数以及各分类对应的像素点数据，得到训练样本集，包括执行如下操作：

基于训练样本集的数据量和所有分类的总数，确定对各个分类的样本抽取量；

根据确定的样本抽取量，通过平均选择对每个分类对应的像素点数据进行无放回抽样，得到训练样本集。

第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的高光谱图像分类方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的高光谱图像分类方法。

本发明实施例提供了一种高光谱图像分类方法、装置、电子设备及存储介质，本发明利用多种分类器构建分类模型，并通过装袋法和数据变换处理为分类模型输入多样性的训练数据进行训练，最终通过投票获得分类结果，本发明能够综合单一种类分类器的优势，平衡训练数据分布不平衡引起的分类准确度差异，从而有效地提升高光谱图像分类的稳定性和准确性，且适用多种不同的遥感应用图像。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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，显而易见地，下面描述中的附图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，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种高光谱图像分类方法流程图；

图2是本发明一实施例提供的另一种高光谱图像分类方法流程图；

图3是本发明一实施例提供的一种电子设备的硬件架构图；

图4是本发明一实施例提供的一种高光谱图像分类装置结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

由于高光谱图像数据具有维度高、特征冗余、分布不平衡等特点，使得目前的分类技术难以准确对其图像中呈现的物质进行准确识别。有鉴于此，本发明提供了一种针对高光谱图像的分类方法、装置、电子设备及存储介质，本发明的分类模型包括多路投票通道和至少两种分类器，能够综合单一种类分类器的优势，平衡训练数据分布不平衡引起的分类准确度差异。

下面描述以上构思的具体实现方式。

请参考图1，本发明实施例提供了一种高光谱图像分类方法，该方法包括：

步骤100，获取有分类标签的高光谱图像数据集，确定其中的所有分类以及各分类对应的像素点数据；

高光谱图像数据集中，每个像素点对应一个向量数据，分类标签则标示了该点属于何种类别，如土壤、树木、草地等；

步骤102，确定待选取的训练样本集的数据量；

待选取的训练样本集的数据量可根据预设值确定，也可根据数据集的数据量确定，例如取数据集的5％～70％作为训练样本集等；

步骤104，基于确定的、待选取的训练样本集的数据量、所有分类的总数以及各分类对应的像素点数据，得到训练样本集，并将所述高光谱图像数据集中的剩余像素点数据组成测试样本集；

步骤106，构建分类模型；所述分类模型包括多路投票通道和至少两种分类器，每路投票通道中均设有一个分类器，用于对输入的数据进行分类，若所述分类器为核极限学习机，则所述分类模型中只有一路无数据变换处理的投票通道采用该种分类器，若所述分类器不是核极限学习机，则所述分类模型中至少有两路投票通道采用该种分类器，其中一路为无数据变换处理的投票通道，其余均为有数据变换处理的投票通道；所述分类模型用于基于每路投票通道的分类结果，通过投票得出最终的分类结果；

一个具体实施例中，所述分类模型包括多路投票通道和输出层，每路投票通道包括依次连接的输入层和分类器，或包括依次连接的输入层、数据变换处理层和分类器，当投票通道的分类器为核极限学习机，则该投票通道包括输入层和分类器，若投票通道的分类器不为核极限学习机，则该投票通道可能包括输入层和分类器，也可能包括输入层、数据变换处理层和分类器，各分类器连接输出层，输出层基于每路投票通道的分类结果，通过投票得出最终的分类结果，从而综合单一分类器的处理优势；

投票得出最终的分类结果时，各通道的权重可以相同，也可以根据实际情况进行调整；

步骤108，根据投票通道的总数，通过装袋法对得到的训练样本集进行有放回均匀采样，得到新增的训练样本集；

通过装袋法，可在原有的训练样本集基础上新增训练样本集，此步骤108中新增训练样本集后，所得的训练样本集总数目应与所述分类模型的投票通道数目相同，以便后续训练时为每一个投票通道分配一个训练样本集；

步骤110，基于得到的训练样本集，对所述分类模型中的各路投票通道进行训练；

此步骤110对各路投票通道进行训练，为各路投票通道分配前述得到的训练样本集；

步骤112，基于测试样本集对训练后的所述分类模型进行测试；

通过测试可确定所述分类模型的准确性及稳定性；

步骤114，获取高光谱图像数据，输入所述分类模型进行识别与分类，得到相应的分类结果；

将新获取的高光谱图像数据输入训练好的所述分类模型，即可利用所述分类模型实现分类。

本发明实施例利用多种分类器构建分类模型，并通过装袋法和数据变换处理为分类模型输入多样性的训练数据进行训练，最终通过投票获得分类结果，多个分类器分别进行分类，能够综合单一种类分类器的优势，并且，通过装袋法和数据变换处理增加了训练数据的多样性，平衡训练数据分布不平衡引起的分类准确度差异，即使在有标签的数据集样本量很少的情况下，也能够具有较高的准确性和稳定性，实现遥感图像目标识别与分类。

可选地，针对步骤104，所述得到训练样本集包括：

基于训练样本集的数据量和所有分类的总数，确定对各个分类的样本抽取量；

根据确定的样本抽取量，通过平均选择对每个分类对应的像素点数据进行无放回抽样，得到训练样本集。

进一步地，所述基于训练样本集的数据量和所有分类的总数，确定对各个分类的样本抽取量，包括：

设待选取的训练样本集的数据量为N，所有分类的总数为M，则单个分类的样本抽取量为[N/M]个数据；[]表示取整；

对于像素点数据不小于[N/M]的分类，确定样本抽取量为[N/M]；对于像素点数据小于[N/M]的分类，确定样本抽取量为[N/2M]；

相应地，所述根据确定的样本抽取量，通过平均选择对每个分类对应的像素点数据进行无放回抽样，包括：

分别根据对应的样本抽取量，对每个分类对应的像素点数据进行无放回抽样选取；

若对所有分类都进行抽样选取后，所得的数据量小于N，则从剩余的像素点数据中随机抽取，补足训练样本集。

上述实施例采用平均选择加随机选择的方式，获得涵盖所有类别的数据样本以构成训练样本集，能够进一步优化训练数据分布不平衡引起的分类准确度差异，获得更好的分类准确性。

可选地，本发明的方法中，数据变换处理包括特征的提取或选择。

对于不是核极限学习机的分类器，可对应两路或两路以上的投票通道，例如，一路为无数据变换处理的投票通道，输入该投票通道的数据直接进入分类器，一路为有特征提取的投票通道，输入该投票通道的数据先进行特征提取，再进入分类器。上述实施例通过特征的提取或选择实现数据的变换，增加了训练数据的多样性，有助于提高分类准确性。

进一步地，所述数据变换处理为主成分分析。

主成分分析作为一种常用的特征提取技术，能够有效获得数据的特征，通过输入主成分分析后所得结果，有助于提高分类准确性。

可选地，所述分类器为核极限学习机、支持向量机或多项式逻辑回归。

进一步地，所述分类模型的分类器包括核极限学习机、支持向量机和多项式逻辑回归。

核极限学习机、支持向量机和多项式逻辑回归作为分类器，在高光谱图像分类方面具有优势，多元逻辑回归在构造非线性核方面更具灵活性，核极限学习机运算速度快、求解简单且泛化能力强，支持向量机在小样本训练方面更具优势，但没有一个特定的分类器能够解决多种不同的遥感应用问题。本发明综合多种分类器的优势，构建针对高光谱图像的集成分类模型，以进一步提升高光谱图像分类的准确性和稳定性。优选地，可只采用上述三种核极限学习机、支持向量机和多项式逻辑回归，通过增加不同数据变换处理的方式增加投票通道，以利用训练样本多样性增加分类的准确性和稳定性。

在一个优选的实施例中，所述分类模型包括五路投票通道和三种分类器，三种分类器为核极限学习机、支持向量机和多项式逻辑回归，除核极限学习机对应一路无数据变换处理的投票通道外，支持向量机和多项式逻辑回归均对应两路投票通道，一路为无数据变换处理的投票通道，另一路为经主成分分析的投票通道，也就是说，所述分类模型的五路投票通道分别为无数据变换处理的核极限学习机投票通道、无数据变换处理的支持向量机投票通道、经主成分分析的支持向量机投票通道、无数据变换处理的多项式逻辑回归投票通道和经主成分分析的多项式逻辑回归投票通道。该实施例利用主成分分析方法对部分训练样本进行特征提取，得到降维后的数据，再利用降维后的数据和剩余训练样本，分别训练多项式逻辑回归、支持向量机和核极限学习机分类器，能够针对高光谱图像数据维度高、特征冗余、分布不平衡等特点，提升高光谱图像分类的准确性和稳定性。经验证，核极限学习机这种分类器因其自身特点，在所述分类模型中采用经数据变换处理的投票通道，反而会影响分类的效果，因此，限定了对于核极限学习机，所述分类模型中只有一路无数据变换处理的投票通道采用该种分类器。

如图2所示，本发明还提供了一种高光谱图像分类方法，包括：

步骤200，获取有分类标签的高光谱图像数据集，确定其中的所有分类以及各分类对应的像素点数据；

步骤202，确定待选取的训练样本集的数据量；

步骤204，设待选取的训练样本集的数据量为N，所有分类的总数为M，则单个分类的样本抽取量为[N/M]个数据；[]表示取整；

步骤206，对于像素点数据不小于[N/M]的分类，确定样本抽取量为[N/M]；

对于像素点数据小于[N/M]的分类，确定样本抽取量为[N/2M]；

步骤208，分别根据对应的样本抽取量，对每个分类对应的像素点数据进行无放回抽样选取；

若对所有分类都进行抽样选取后，所得的数据量小于N，则从剩余的像素点数据中随机抽取，补足训练样本集；

步骤210，将剩余像素点数据组成测试样本集；

步骤212，构建分类模型；所述分类模型包括多路投票通道和至少两种分类器，每路投票通道中均设有一个分类器，用于对输入的数据进行分类，若所述分类器为核极限学习机，则所述分类模型中只有一路无数据变换处理的投票通道采用该种分类器，若所述分类器不是核极限学习机，则所述分类模型中至少有两路投票通道采用该种分类器，其中一路为无数据变换处理的投票通道，其余为有数据变换处理的投票通道；所述分类模型用于基于每路投票通道的分类结果，通过投票得出最终的分类结果；

步骤214，根据投票通道的总数，通过装袋法对得到的训练样本集进行有放回均匀采样，得到新增的训练样本集；

步骤216，基于得到的训练样本集，对所述分类模型中的各路投票通道进行训练；

步骤218，基于测试样本集对训练后的所述分类模型进行测试；

步骤220，获取高光谱图像数据，输入所述分类模型进行识别与分类，得到相应的分类结果。

为了验证本发明提供的方法的可靠性，本发明采用两个广泛使用的高光谱数据集(印度松和帕维亚大学)进行试验与评价，其中，印度松的场景中有三分之二为农业，三分之一为森林或其它天然多年生植被，标签包括16个类别，共有10366个数据样本，有两条主要的双线高速公路，一条铁路线，一些较小的道路，以及低密度的住房和其他建筑；帕维亚大学的场景包括土壤、树木、草地等，标签包括9个类别，共有42776个数据样本。对于上述两个高光谱数据集，选取整个数据集的5％、10％和20％作为训练样本集，再构建包括五路投票通道和三种分类器的分类模型，通过装袋法和主成分分析增加训练样本的多样性，主成分累积贡献率上限percent设置为10，支持向量机在[10

如图3、图4所示，本发明实施例提供了一种高光谱图像分类装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图3所示，为本发明实施例提供的一种高光谱图像分类装置所在电子设备的一种硬件架构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图4所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种高光谱图像分类装置，包括获取数据模块401、确定样本量模块402、确定样本集模块403、构建模型模块404、新增样本模块405、训练模型模块406、测试模型模块407、识别图像模块408；具体地，其中：

获取数据模块401用于获取有分类标签的高光谱图像数据集，确定其中的所有分类以及各分类对应的像素点数据；

确定样本量模块402用于确定待选取的训练样本集的数据量；

确定样本集模块403用于基于训练样本集的数据量、所有分类的总数以及各分类对应的像素点数据，得到训练样本集，并将剩余像素点数据组成测试样本集；

构建模型模块404用于构建分类模型；所述分类模型包括多路投票通道和至少两种分类器，每路投票通道中均设有一个分类器，用于对输入的数据进行分类，若所述分类器为核极限学习机，则所述分类模型中只有一路无数据变换处理的投票通道采用该种分类器，若所述分类器不是核极限学习机，则所述分类模型中至少有两路投票通道采用该种分类器，其中一路为无数据变换处理的投票通道，其余为有数据变换处理的投票通道；所述分类模型用于基于每路投票通道的分类结果，通过投票得出最终的分类结果；

新增样本模块405用于根据投票通道的总数，通过装袋法对得到的训练样本集进行有放回均匀采样，得到新增的训练样本集；

训练模型模块406用于基于得到的训练样本集，对所述分类模型中的各路投票通道进行训练；

测试模型模块407用于基于测试样本集对训练后的所述分类模型进行测试；

识别图像模块408用于获取高光谱图像数据，输入所述分类模型进行识别与分类，得到相应的分类结果。

在本发明实施例中，获取数据模块401可用于执行上述方法实施例中的步骤100，确定样本量模块402可用于执行上述方法实施例中的步骤102，确定样本集模块403可用于执行上述方法实施例中的步骤104，构建模型模块404可用于执行上述方法实施例中的步骤106，新增样本模块405可用于执行上述方法实施例中的步骤108，训练模型模块406可用于执行上述方法实施例中的步骤110，测试模型模块407可用于执行上述方法实施例中的步骤112，识别图像模块408可用于执行上述方法实施例中的步骤114。

可选地，所述确定样本集模块403用于基于训练样本集的数据量、所有分类的总数以及各分类对应的像素点数据，得到训练样本集，包括执行如下操作：

基于训练样本集的数据量和所有分类的总数，确定对各个分类的样本抽取量；

根据确定的样本抽取量，通过平均选择对每个分类对应的像素点数据进行无放回抽样，得到训练样本集。

可以理解的是，本发明实施例示意的结构并不构成对一种高光谱图像分类装置的具体限定。在本发明的另一些实施例中，一种高光谱图像分类装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种高光谱图像分类方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种高光谱图像分类方法。

具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。

用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。

此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。

此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。