主动学和邻域信息相结合的高光谱图像分类方法

摘要

本发明公开了一种主动学和邻域信息相结合的高光谱图像分类方法。针对高光谱图像中标签样本的建立需要实地考察及传统方法只考虑单一的光谱信息问题。其实现步骤是：(1)用初始已标记样本集X_l训练SVM分类器；(2)用SVM分类器从未标注样本集X_u中挑选信息量最大的q个样本由专家标注；(3)将专家标注后的q个样本放入X_l中；(4)用更新后X_l重新训练SVM分类器；(5)根据停止准则判断是否退出循环；(6)迭代完成后用训练好的SVM分类器对测试样本集进行测试；(7)利用X_l中每个样本的邻域信息对测试结果进行修正，得到最终分类结果。本发明实现了高光谱图像的空谱结合，相比其他同类方法，可以得到更好的分类结果。

主权项

一种主动学习和邻域信息相结合的高光谱图像分类方法，包括如下步骤：(1)把大小为m×n的待分类高光谱图像中的所有像元作为总样本集X，在总样本集X中随机选择1％的样本进行专家标记，作为已标记样本集X_l，将其余样本集X_u作为未标记样本集，并用已标记样本集X_l对初始的SVM分类器进行训练，设置最大迭代次数T，T>0，并开始第一次迭代；(2)用训练后的SVM分类器根据主动学习的采样策略从未标记样本集X_u中挑选出信息含量最大的q个样本，由专家进行标记，其中q<X_u；(3)将专家标记后的q个样本放入已标记样本集X_l中，并将该q个样本从未标记样本集X_u中移除，得到更新后的已标记样本集X_l’和未标记样本集X_u’，令已标记样本集X_l＝X_l’，未标记样本集X_u＝X_u’；(4)用已标记样本集X_l重新对SVM分类器进行训练，完成一次迭代；(5)根据停止准则判断是否退出迭代：如果达到最大迭代次数，则退出迭代，继续下一步骤，否则返回步骤2，进行下一次迭代，并使迭代次数加一；(6)利用步骤(4)中训练好的SVM分类器对未标记样本集X_u进行测试得到初始测试结果；(7)应用已标记样本集X_l中每个样本的邻域信息对步骤(6)中的测试结果进行修正，得到最终分类结果：(7a)对于已标记样本集X_l中的一个样本(x_li,y_li)，判断与其相邻的四个样本x_li‑n,x_li‑1,x_li+1,x_li+n是否在未标记样本集X_u中：如果在，分别求样本x_li‑n,x_li‑1,x_li+1,x_li+n与x_li的光谱相关系数S_li‑n,S_li‑1,S_li+1,S_li+n；如果不在，则初始测试结果中样本x_li‑n,x_li‑1,x_li+1,x_li+n对应的标签不变，其中，x_li为样本的特征向量，y_li为样本的标签，li<X_l，n为待分类高光谱图像的列数；(7b)将光谱相关系数S_li‑n,S_li‑1,S_li+1,S_li+n分别与设定的阈值ω进行大小比较，根据比较的结果对初始测试结果中对应样本的标签进行修正，其中0.95<ω<1；(7c)重复步骤(7a)和(7b)对已标记样本集X_l中所有的样本进行修正，得到的修正结果则为最终的分类结果。