CN107644212B - 一种高光谱遥感图像分类方法、设备及存储设备 - Google Patents

一种高光谱遥感图像分类方法、设备及存储设备 Download PDF

Info

Publication number
CN107644212B
CN107644212B CN201710879840.3A CN201710879840A CN107644212B CN 107644212 B CN107644212 B CN 107644212B CN 201710879840 A CN201710879840 A CN 201710879840A CN 107644212 B CN107644212 B CN 107644212B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
training samples
hyperspectral remote
image classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710879840.3A
Other languages
English (en)
Other versions
CN107644212A (zh
Inventor
刘小波
胡秋波
尹旭
刘振焘
刘沛宏
徐创杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201710879840.3A priority Critical patent/CN107644212B/zh
Publication of CN107644212A publication Critical patent/CN107644212A/zh
Application granted granted Critical
Publication of CN107644212B publication Critical patent/CN107644212B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种高光谱遥感图像分类方法、设备及存储设备，利用基本分类器在目标域的训练样本上进行学习；得到分类模型；对源域的训练样本进行分类；筛选出分类标记和真实标记一致的训练样本，并迁移到所述目标域的训练样本中；判断是否满足预设条件；若不满足预设条件，则执行上述步骤；若满足预设条件，则通过集成学习方法，得到最终分类模型；对选取的试验区域的高光谱遥感图像进行分类。一种高光谱遥感图像分类设备及存储设备，用于实现一种高光谱遥感图像分类方法。本发明的有益效果：通过设计一个集成迁移学习框架，将源域的训练样本迁移到目标域训练样本中，提高了目标域的训练样本的数量，提高训练速度、分类模型的稳定性和分类精度。

Description

一种高光谱遥感图像分类方法、设备及存储设备
技术领域
本发明涉及高光谱遥感图像分类方法，尤其涉及一种高光谱遥感图像分类方法、设备及存储设备。
背景技术
高光谱遥感技术是利用成像光谱仪，得到数百，甚至上千个光谱波段数据，其光谱分辨率达到10-2λ数量级，具有较高的实时性，地物信息丰富，覆盖的地物面积广，目前已广泛地应用到环境监测、精准农业、地质勘探等领域，在我国民生和国防中发挥了重要的作用。
在高光谱遥感图像分类中，训练样本的多少直接影响了分类模型的精确度。不比普通的图像分类，高光谱遥感图像训练样本的获取需要大量人工参与，成本较高。因此，如何在有限的训练样本上建立精确的分类模型，是目前高光谱遥感研究的热点。
为了解决上述问题，业界在高光谱遥感图像分类中运用了半监督学习方法，但是由于分类目标的形状、缩放、旋转、变形、姿态等造成了数据的实际分布与由训练数据学习得到模型不一致时，强制将未标记样本加入到训练样本中，有可能降低分类的准确率。同时，由于高光谱遥感图像数据量十分庞大，目前大多数分类器不能兼顾精解效率和时间效率。
因此，由训练样本不足而引起的训练速度慢、分类模型不稳定、分类精度不高的问题，是高光谱遥感图像分类中一个亟需解决的技术问题。
发明内容
一种高光谱遥感图像分类方法的主要步骤有：利用基本分类器在目标域训练样本上进行学习；得到分类模型，保存所述分类模型；利用所述分类模型对源域的训练样本进行分类；筛选出分类标记和真实标记一致的训练样本，并将筛选出的训练样本迁移到所述目标域的训练样本中；判断是否满足预设条件；若不满足所述预设条件，则执行上述步骤；若满足所述预设条件，则通过集成学习方法，将每次循环迭代得到的分类模型进行集成，得到最终分类模型；利用所述最终分类模型对选取的试验区域的高光谱遥感图像进行分类。
进一步地，一种高光谱遥感图像分类方法，选取森林、坡地和山脊为所述源域和所述目标域的样本类别。
进一步地，一种高光谱遥感图像分类方法，所述源域为选取的高光谱试验区域的一个训练样本区域，所述目标域为选取的高光谱试验区域的另一个训练样本区域。
进一步地，一种高光谱遥感图像分类方法，所述源域的训练样本区域与所述目标域的训练样本区域完全不同。
进一步地，一种高光谱遥感图像分类方法，所述源域中训练样本多，所述目标域中训练样本少。
进一步地，一种高光谱遥感图像分类方法，所述比较先进的机器学习分类算法有支持向量机、超限学习机。
进一步地，一种高光谱遥感图像分类方法，至少满足以下三种情况之一，则满足所述预设条件：
1)达到最大循环迭代次数；
2)训练样本的训练精度没有变化；
3)源域的训练样本充分迁移到目标域的训练样本中。
一种存储设备，所述存储设备存储指令及数据用于实现所述一种高光谱遥感图像分类方法。
一种高光谱遥感图像分类设备，包括存储器及所述存储设备；所述处理器加载并执行所述存储设备存储指令及数据用于实现所述一种高光谱遥感图像分类方法。
本发明的实施例提供的技术方案带来的有益效果是：通过设计一个集成迁移学习框架，将源域的训练样本迁移到目标域训练样本中，提高目标域的训练样本的数量，从而提高训练速度、分类模型的稳定性、分类精度。
附图说明
图1是本发明实施例中选取的高光谱试验区域示意图；
图2是本发明实施例中高光谱遥感图像分类方法的步骤流程图；
图3是本发明实施例的硬件设备工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
本发明的实施例提供了一种高光谱遥感图像分类方法、设备及存储设备，利用迁移学习和集成学习方法，得到最终分类模型，对地物进行更精细地分类。
请参考图1，图1是本发明实施例中选取的高光谱试验区域示意图，其中，101表示试验区域，102表示源域，103表示目标域。所述源域为选取的高光谱试验区域的一个训练样本区域，所述目标域为选取的高光谱试验区域的另一个训练样本区域。选取森林、坡地、山脊为所述源域和所述目标域的样本类别，如102、103中所示。所述源域的训练区域和所述目标域的训练区域完全不同，所述源域的训练样本大，所述目标域的训练样本少。
请参考图2，图2是本发明实施例中高光谱遥感图像分类方法的流程图，具体包括以下步骤：
S01：利用基本分类器在目标域的训练样本上进行学习，所述目标域如图1中103所示，所述基本分类器为现有机器学习分类算法，如支持向量机、超限学习机；
S02：得到分类模型，保存所述分类模型；
S03：利用所述分类模型对源域的训练样本进行分类，所述源域如图1中102所示；
S04：筛选出分类标记和真实标记一致的训练样本，并将筛选出的训练样本迁移到所述目标域的训练样本中；
S05：判断是否满足预设条件？若不满足所述预设条件，则回到步骤S01；若满足所述预设条件，则到步骤S06；
S06：通过集成学习方法，将每次循环迭代得到的分类模型进行集成，得到最终分类模型；
至少满足以下三种情况之一，则满足所述预设条件：
1)达到最大循环迭代次数；
2)训练样本的训练精度没有变化；
3)源域的训练样本充分迁移到目标域的训练样本中。
S07：利用所述最终分类模型对选取的试验区域的高光谱遥感图像进行分类，所示试验区域如本实施例中图1中101所示。
请参考图3，图3是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种高光谱遥感图像分类设备301、处理器302及存储设备303。
一种高光谱遥感图像分类设备301：所述一种高光谱遥感图像分类设备301实现所述一种高光谱遥感图像分类方法。
处理器302：所述处理器302加载并执行所述存储设备303中的指令及数据用于实现所述的一种高光谱遥感图像分类方法。
存储设备303：所述存储设备303存储指令及数据；所述存储设备303用于实现所述的一种高光谱遥感图像分类方法。
本发明的有益效果是：通过设计一个集成迁移学习框架，将源域中的训练样本迁移到目标域训练样本中，提高目标域训练样本的数量，从而提高训练速度、分类模型的稳定性、分类精度。
在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种高光谱遥感图像分类方法，其特征在于：包括以下步骤：
步骤1：利用基本分类器在目标域的训练样本上进行学习；
步骤2：得到一个分类模型，保存所述分类模型；
步骤3：利用所述分类模型对源域的训练样本进行分类；
步骤4：筛选出分类标记和真实标记一致的训练样本，并将筛选出的训练样本迁移到所述目标域的训练样本中；
步骤5：判断是否满足预设条件；至少满足以下三种情况之一，则满足所述预设条件：
1)达到最大循环迭代次数；
2)训练样本的训练精度没有变化；
3)源域的训练样本充分迁移到目标域的训练样本中；
若满足所述预设条件，则到步骤6；若不满足所述预设条件，则回到步骤1；
步骤6：通过集成学习方法，将每次执行步骤2得到的分类模型进行集成，得到最终分类模型；
步骤7：利用所述最终分类模型对选取的试验区域的高光谱遥感图像进行分类。
2.如权利要求1所述的一种高光谱遥感图像分类方法，其特征在于：选取森林、坡地和山脊为所述源域和所述目标域的样本类别。
3.如权利要求1所述的一种高光谱遥感图像分类方法，其特征在于：所述源域为选取的高光谱试验区域的一个训练样本区域，所述目标域为选取的高光谱试验区域的另一个训练样本区域。
4.如权利要求1所述的一种高光谱遥感图像分类方法，其特征在于：所述源域的训练样本区域与所述目标域的训练样本区域完全不同。
5.如权利要求1所述的一种高光谱遥感图像分类方法，其特征在于：所述源域中训练样本多，所述目标域中训练样本少。
6.如权利要求1所述的一种高光谱遥感图像分类方法，其特征在于：所述基本分类器为现有机器学习分类算法，包括支持向量机和超限学习机。
7.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利 要求1～6所述的一种高光谱遥感图像分类方法。
8.一种高光谱遥感图像分类设备，其特征在于：包括处理器及存储设备；所述处理器加载并执行所述存储设备存储指令及数据用于实现权利 要求1～6所述的一种高光谱遥感图像分类方法。
CN201710879840.3A 2017-10-19 2017-10-19 一种高光谱遥感图像分类方法、设备及存储设备 Expired - Fee Related CN107644212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710879840.3A CN107644212B (zh) 2017-10-19 2017-10-19 一种高光谱遥感图像分类方法、设备及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710879840.3A CN107644212B (zh) 2017-10-19 2017-10-19 一种高光谱遥感图像分类方法、设备及存储设备

Publications (2)

Publication Number Publication Date
CN107644212A CN107644212A (zh) 2018-01-30
CN107644212B true CN107644212B (zh) 2019-12-17

Family

ID=61113765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710879840.3A Expired - Fee Related CN107644212B (zh) 2017-10-19 2017-10-19 一种高光谱遥感图像分类方法、设备及存储设备

Country Status (1)

Country Link
CN (1) CN107644212B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388917A (zh) * 2018-02-26 2018-08-10 东北大学 一种基于改进深度学习模型的高光谱图像分类方法
CN108334501B (zh) * 2018-03-21 2021-07-20 王欣 基于机器学习的电子文档分析系统及方法
CN109146003B (zh) * 2018-09-30 2022-06-07 合刃科技（深圳）有限公司 一种基于高光谱成像的分类识别方法、装置及系统
CN111274973B (zh) * 2020-01-21 2022-02-18 同济大学 基于自动划分域的人群计数模型训练方法及应用
CN111325660B (zh) * 2020-02-20 2021-01-29 中国地质大学（武汉） 一种基于文本数据的遥感图像风格转换方法
CN111340217B (zh) * 2020-02-24 2023-08-01 南京星火技术有限公司 电子设备、神经网络训练装置和计算机可读介质
CN112270545A (zh) * 2020-10-27 2021-01-26 上海淇馥信息技术有限公司 基于迁移样本筛选的金融风险预测方法、装置和电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794396A (zh) * 2010-03-25 2010-08-04 西安电子科技大学 基于迁移网络学习的遥感图像目标识别系统及方法
CN102509120A (zh) * 2011-11-04 2012-06-20 西安电子科技大学 基于迁移字典学习的高光谱图像的有监督分割方法
CN103729648A (zh) * 2014-01-07 2014-04-16 中国科学院计算技术研究所 领域自适应模式识别方法及系统
CN103745232A (zh) * 2014-01-23 2014-04-23 西安电子科技大学 基于波段迁移的高光谱图像聚类方法
CN103745233A (zh) * 2014-01-23 2014-04-23 西安电子科技大学 基于空间信息迁移的高光谱图像分类方法
CN105224949A (zh) * 2015-09-23 2016-01-06 电子科技大学 基于跨领域迁移学习的sar图像地物分类方法
EP2993618A1 (en) * 2014-09-04 2016-03-09 Xerox Corporation Domain adaptation for image classification with class priors
CN105469111A (zh) * 2015-11-19 2016-04-06 浙江大学 基于改进的mfa和迁移学习的小样本集的物体分类方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794396A (zh) * 2010-03-25 2010-08-04 西安电子科技大学 基于迁移网络学习的遥感图像目标识别系统及方法
CN102509120A (zh) * 2011-11-04 2012-06-20 西安电子科技大学 基于迁移字典学习的高光谱图像的有监督分割方法
CN103729648A (zh) * 2014-01-07 2014-04-16 中国科学院计算技术研究所 领域自适应模式识别方法及系统
CN103745232A (zh) * 2014-01-23 2014-04-23 西安电子科技大学 基于波段迁移的高光谱图像聚类方法
CN103745233A (zh) * 2014-01-23 2014-04-23 西安电子科技大学 基于空间信息迁移的高光谱图像分类方法
EP2993618A1 (en) * 2014-09-04 2016-03-09 Xerox Corporation Domain adaptation for image classification with class priors
CN105224949A (zh) * 2015-09-23 2016-01-06 电子科技大学 基于跨领域迁移学习的sar图像地物分类方法
CN105469111A (zh) * 2015-11-19 2016-04-06 浙江大学 基于改进的mfa和迁移学习的小样本集的物体分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于深度学习的高光谱遥感图像分类";邢晨;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215(第02期);正文第62-70页 *

Also Published As

Publication number Publication date
CN107644212A (zh) 2018-01-30

Similar Documents

Publication Publication Date Title
CN107644212B (zh) 一种高光谱遥感图像分类方法、设备及存储设备
CN109829399B (zh) 一种基于深度学习的车载道路场景点云自动分类方法
Li et al. An automatic method for selecting the parameter of the RBF kernel function to support vector machines
CN108830312B (zh) 一种基于样本自适应扩充的集成学习方法
JP2012216191A5 (ja) 周波数特徴を選択する方法およびシステム
CN103745233B (zh) 基于空间信息迁移的高光谱图像分类方法
CN106228182B (zh) 基于spm和深度增量svm的sar图像分类方法
US20130181988A1 (en) Apparatus and method for creating pose cluster
CN103955709B (zh) 基于加权合成核与tmf的极化sar图像分类方法
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及系统
CN105160351B (zh) 基于锚点稀疏图的半监督高光谱分类方法
CN103839078A (zh) 一种基于主动学习的高光谱图像分类方法
CN104699781B (zh) 基于双层锚图散列的sar图像检索方法
CN113033516A (zh) 对象识别统计方法及装置、电子设备、存储介质
CN109154938A (zh) 使用离散非踪迹定位数据将数字图中的实体分类
CN111079773A (zh) 一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质
CN111882554A (zh) 一种基于SK-YOLOv3的电力线故障智能检测方法
WO2019087673A1 (ja) 画像処理装置、画像処理方法、画像処理プログラムおよび画像処理システム
CN113420768A (zh) 岩芯类别确定方法、装置、电子设备和存储介质
CN117789038B (zh) 一种基于机器学习的数据处理与识别模型的训练方法
JPWO2020255413A5 (ja) データ解析装置、データ解析方法、及びプログラム
Wang et al. Classification and extent determination of rock slope using deep learning
CN106022358A (zh) 一种高光谱图像分类方法和装置
CN109492573A (zh) 一种指针读取方法及装置
CN113139540B (zh) 背板检测方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Liu Xiaobo

Inventor after: Hu Qiubo

Inventor after: Yin Xu

Inventor after: Liu Zhendao

Inventor after: Liu Peihong

Inventor after: Xu Chuangjie

Inventor before: Chen Xiaobo

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191217

Termination date: 20211019

CF01 Termination of patent right due to non-payment of annual fee