一种用于遥感图像分类的基于类心对齐的迁移学方法

摘要

本发明提供了一种用于遥感图像分类的基于类心对齐的迁移学方法，(1)准备源域数据和目标域数据；(2)利用源域数据训练分类器；(3)利用分类器对目标域数据进行分类；(4)计算源域各类别数据的类心；(5)计算目标域各类别数据的类心；(6)计算源域和目标域各类别类心差；(7)对目标域的样本点，在目标域数据中搜索其k个近邻点；(8)计算目标域样本点移动方向；(9)计算移动后目标域数据；(10)利用分类器对移动后的目标域数据分类；(11)重复步骤(5)到(10)直到收敛。本发明使得移动后的目标域数据和源域数据光谱特征相似，达到迁移学的目的，多种遥感数据分类都表现良好适用性，具有明显的迁移学的效果。

主权项

一种用于遥感图像分类的基于类心对齐的迁移学习方法，其特征在于包括以下步骤：(1)选取源域图像中的训练数据X_s以及目标域图像数据X_t；其中X_s是源域图像中的M个标记数据点的集合，每个数据点的维数是D，X_s的标记信息表示为Y_s，用M×1的向量表示，假设X_s数据集中包含C种地物类型，其中第i种地物类型数据组成集合表示为X_si，包含M_i个数据点，那么X_s＝[X_s1,…,X_sC]，M＝M₁+M₂+…+M_C；X_t是目标域图像中N个数据点的集合，每个数据点的维数是D，Xt数据集中也包含C种地物类型，其中第i种地物类型数据组成集合表示为X_ti，包含N_i个数据点，那么X_t＝[X_t1,…,X_tC]，N＝N₁+N₂+…+N_C；(2)用源域训练数据X_s及其标记信息Y_s训练分类器；(3)利用训练好的分类器对X_t中的全部数据点进行预测，得到N个目标域图像数据X_t的分类结果Y_t^l，Y_t^l是N×1的向量，其中l为当前迭代次数，初始值为1；(4)利用源域训练数据X_s及其标记信息Y_s，计算源域训练数据的C个类别数据的类心，表示为U_s＝[u_s1,…,u_sC]，其中第i类类别数据的类心u_si的计算包括以下过程：首先根据源域训练数据X_s的标记信息Y_s，找出属于第i个类别数据对应的所有源域训练数据点，组成集合X_si＝[x₁,…,x_Mi]，i＝1,…,C，然后通过以下公式计算集合X_si的平均光谱u_si做为源域第i类类别数据类心：$u_{si}=\frac{1}{M_i}\underset{j=1}{\overset{M_i}{\Sigma }}{X}_{sj},i=1,...,C$其中，x_sj为集合X_si中的数据点；(5)利用目标域图像数据X_t和其预测结果Y_t^l，计算C个类别数据的类心U_t^l＝[u_t1,…,u_tC]，包括以下过程：首先根据目标域图像数据X_t的预测标记信息Y_t^l，找出属于第i个类别数据的所有目标域图像数据点，组成集合X_ti＝[x₁,…,x_Ni]，i＝1,…,C，然后通过以下公式计算集合X_ti的平均光谱u_ti做为目标域第i类类心：$u_{ti}=\frac{1}{N_i}\underset{j=1}{\overset{N_i}{\Sigma }}{X}_{tj},i=1,...,C$其中，x_tj为集合X_ti中的数据点；(6)通过以下公式计算源域和目标域每个类别数据的类心差：d_i＝u_ti‑u_si,i＝1,…,C其中d_i为第i个类别数据的类心差；(7)对于目标域内任一样本点x_t，t＝1,…,N，利用基于光谱角制图距离度量方法在目标域图像数据中搜索x_t的k个近邻点构成x_t的近邻点集X＝[x₁,...,x_k]，x_t的近邻点集X包括x_t本身，这k个近邻点的预测标记结果为Y＝[y₁,...,y_k]；(8)对于目标域任一样本点x_t，t＝1,…,N，计算其移动方向d：$d=\frac{1}{k}\underset{j=1}{\overset{C}{\Sigma }}\underset{i=1}{\overset{k}{\Sigma }}\delta (y_i,j)d_j$其中δ为克罗内克函数，y_i是x_t的第i个近邻点x_i的预测标签，d_j是第j个类别数据的类心差，如果x_i被预测为第j类，即y_i等于j，那么函数δ(y_i,j)＝1，否则等于0；(9)将目标域样本点x_t，t＝1,…,N，按照其移动方向d移动，移动后的目标域样本点的光谱特征x_ts为x_ts＝x_t‑d，t＝1,…,N；(10)更新迭代参数l使其累加1，利用步骤(2)训练得到的分类器对移动后的目标域图像数据x_ts，t＝1,…,N进行预测，得到新的分类结果Y_t^l；(11)重复步骤(5)到步骤(10)至少5次，直到达到收敛条件，输出最后一次分类结果Y_t^l；所述收敛条件为：连续5次分类结果Y_t^l对应的总体分类精度的变化小于阈值T，总体分类精度为Y_t^l和Y_t中相同元素的个数除以N，阈值T在0.001～0.01范围内选择。