CN110689064B - 一种图像半监督分类方法、装置及计算机可读存储介质 - Google Patents
一种图像半监督分类方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110689064B CN110689064B CN201910900144.5A CN201910900144A CN110689064B CN 110689064 B CN110689064 B CN 110689064B CN 201910900144 A CN201910900144 A CN 201910900144A CN 110689064 B CN110689064 B CN 110689064B
- Authority
- CN
- China
- Prior art keywords
- matrix
- classification
- pixels
- neighbor
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及高维图像处理技术领域,具体而言,涉及一种图像半监督分类方法、装置及计算机可读存储介质。本申请提供一种图像半监督分类方法,所述方法包括以下步骤:读取高光谱图像立方体数据和训练集;将高光谱图像立方体数据重排列为数据矩阵;计算全连接权重矩阵;计算k近邻;强制最近邻属性的稀疏连接矩阵;构建互k近邻属性的稀疏连接矩阵;获取近邻属性互补的稀疏连接矩阵;用近邻属性互补的稀疏连接矩阵稀疏化所述权重矩阵获取互补近邻稀疏权重矩阵;构建初始标签矩阵;实施半监督图分类,得到所述高光谱图像立方体数据全部像素的分类结果。
Description
技术领域
本申请涉及高维图像处理技术领域,具体而言,涉及一种图像半监督分类方法、装置及计算机可读存储介质。
背景技术
高光谱图像是一种由高光谱成像仪获取的、光谱维度高的图像立方体,其空间平面上包含了大量表征地物像元的像素,每个像素都由一条近似连续的光谱特征构成。光谱特征本质上是该地物目标对不同波长的光的反射率,且反映了特定地物材质和属性,因而可以被用于判断像素对应的地物类别。高光谱图像的大数据量以及高维度的特征都给图像处理以及分类任务带来了巨大的挑战。另外由于高光谱图像像素的光谱特征无法人为识别,标记样本的难度也相当大,常常涉及实地探测考察,因此标记过程十分耗时和代价昂贵。一般情况下,高光谱图像的训练标签特别少,在这种情况下高维光谱特征将会导致分类难度更加高,出现“休斯”现象。当前许多高光谱图像分类方法都受困于如何从标记信息少、特征维度高的高光谱数据中挖掘有效的信息以提升分类能力。其中部分方法基于半监督学习的思想,将大量无标记样本用于分类器性能提升过程,或是直接建立无标记样本与标记像素之间的联系,从而利用聚类协助提升分类性能。
已有的部分高光谱图像分类方法如多项式逻辑回归器和基于强制k近邻图的高光谱图像半监督分类方法虽然能够在不少分类问题中有不错的效果,但在小样本情况下分类能力仍有待提升。其中多项式逻辑回归分类方法较为依赖训练样本的数量,在先验标记信息匮乏的情况下分类难度较大。基于强制k近邻图的高光谱图像半监督分类方法对图结构十分敏感,样本间的相似度和图稀疏化方式都会对分类结果起到巨大的改变,所分类结果存在近邻属性单一,连接噪声强,易出现孤立点等缺陷,造成图像分类结果精确度不高。
因此,如何在训练样本较少的情况下,解决近邻属性单一,连接噪声强,易出现孤立点的问题,提高图像分类结果精确度成为了一个有待解决的问题。
发明内容
本申请的目的在于提供一种图像半监督分类方法、装置及计算机可读存储介质,通过利用高光谱图像立方体建模像素间的复杂不规则连接,对近邻稀疏化规则建立稀疏的连接结构,在图结构上执行标签传播算法,优化近邻属性单一,降低连接噪声,减少孤立点,提高图像分类结果精确度。
本申请的实施例是这样实现的:
本申请实施例的第一方面提供一种图像半监督分类方法,所述方法包括以下步骤:
读取高光谱图像立方体数据和训练集DL={VL,YL},
其中,VL为训练像素集合,YL为对应的训练标签集合;
将高光谱图像立方体数据按像素的列顺序取出,重排列为数据矩阵V={v1,v2,...,vN}T,
其中,N为高光谱图像立方体数据的像素总数;
通过去特征均值的高斯径向基函数计算全连接权重矩阵W;
计算每个像素除自身外的k近邻;
构建强制最近邻属性的稀疏连接矩阵Γ(NN);
构建互k近邻属性的稀疏连接矩阵Γ(mk);
获取近邻属性互补的稀疏连接矩阵ΓC;
构建初始标签矩阵Y={y1,y2,...,yN},其中训练像素对应的标签取训练标签集合YL中对应的值,其余标签值取0;将初始标签矩阵Y编码为初始成员矩阵F(0);
验证所述分类结果。
可选地,所述全连接权重矩阵W的第i行第j列的元素表示如下:
其中,Wii=0,va代表所有像素点的特征均值。
可选地,所述强制最近邻属性的稀疏连接矩阵Γ(NN),其构造方式为:
将每个像素与其最近邻像素相连,并将强制最近邻属性的稀疏连接矩阵中对应位置的元素值置1,无连接的位置取0值。
可选地,所述互k近邻属性的稀疏连接矩阵Γ(mk),其构建方式为:
分析每个像素的k近邻域,取出在像素vi的k近邻范围中的像素集合,逐一分析vi是否在集合中每个像素的k近邻范围中。
可选地,所述近邻属性互补的稀疏连接矩阵ΓC采用逻辑或运算计算:
ΓC=Γ(NN)|Γ(mk)。
其中·为矩阵点乘运算。
本申请实施例的第二方面提供一种图像半监督分类装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如本申请实施例的第一方面提供发明内容中任意一项所述的操作。
本申请实施例的第三方面提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令中的至少部分指令被处理器执行时,实现如本申请实施例的第一方面提供发明内容中任意一项所述的操作
本申请实施例的有益效果包括:通过新型的图权重矩阵计算方法,使用基于去特征均值的高斯径向基函数来表征像素间的相似度,使图结构对像素间的连接强弱把握更准确,互k近邻稀疏化方式切除了像素间大部分不稳定弱连接,强制最近邻与互k近邻属性互补,避免了图结构中可能出现的孤立像素点,两种互补近邻属性共同用于稀疏化图结构,使最终的图结构趋于更优;数据聚类能力更强的图结构对应着更高效的标签传播过程,这使得在小样本条件下分类能力更强,在较少训练样本的情况下实现更准确的分类效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了根据本申请的一个实施例一种图像半监督分类方法的流程图;
图2是对于AVIRIS Indian Pines图像采用本发明的基于近邻属性互补的高光谱图像半监督分类方法的分类精度在初始训练样本分别取每类4个、6个、8个、10个不同情况下的分类精度变化示意图;
图3(a)是对于AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法的在初始训练样本分别取每类4个、6个、8个、10个不同情况下的分类精度变化示意图;
图3(b)是对于AVIRIS Indian Pines图像采用多项式逻辑回归分类方法的分类精度在初始训练样本分别取每类4个、6个、8个、10个不同情况下的分类精度变化示意图;
图4(a)是对于AVIRIS Indian Pines图像的像素点被分为12类,每类随机采样4个像素点得到的训练样本标签;
图4(b)是对于AVIRIS Indian Pines图像的像素点被分为12类,每类随机采样6个像素点得到的训练样本标签;
图4(c)是对于AVIRIS Indian Pines图像的像素点被分为12类,每类随机采样8个像素点得到的训练样本标签;
图4(d)是对于AVIRIS Indian Pines图像的像素点被分为12类,每类随机采样10个像素点得到的训练样本标签;
图5(a)是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本分别对应图4(a)所示情况;
图5(b)是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本分别对应图4(b)所示情况;
图5(c)是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本分别对应图4(c)所示情况;
图5(d)是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本分别对应图4(d)所示情况;
图6(a)是对AVIRIS Indian Pines图像采用本申请提出的基于近邻属性互补的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中分类结果对应的训练样本为图4(a)所示;
图6(b)是对AVIRIS Indian Pines图像采用本申请提出的基于近邻属性互补的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中分类结果对应的训练样本为图4(b)所示;
图6(c)是对AVIRIS Indian Pines图像采用本申请提出的基于近邻属性互补的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中分类结果对应的训练样本为图4(c)所示;
图6(d)是对AVIRIS Indian Pines图像采用本申请提出的基于近邻属性互补的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中分类结果对应的训练样本为图4(d)所示;
图7(a)是对AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中的分类结果对应的训练样本为图4(a)所示;
图7(b)是对AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中的分类结果对应的训练样本为图4(b)所示;
图7(c)是对AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中的分类结果对应的训练样本为图4(c)所示;
图7(d)是对AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中的分类结果对应的训练样本为图4(d)所示;
图8(a)是对AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中的分类结果对应的训练样本为图4(a)所示;
图8(b)是对AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中的分类结果对应的训练样本为图4(b)所示;
图8(c)是对AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中的分类结果对应的训练样本为图4(c)所示;
图8(d)是对AVIRIS Indian Pines图像采用基于强制k近邻图的高光谱图像半监督分类方法得到的分类结果,图像中的像素点被分为12类,图中的分类结果对应的训练样本为图4(d)所示。
具体实施方式
现在将描述某些示例性实施方案,以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解,在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案,并且本申请的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本申请的范围之内。
本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等,意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此,本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外,在一个或多个实施例中,具体特征、结构或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
高光谱图像具有丰富的光谱信息,基于像素的高光谱图像分类算法,可以很好地利用高光谱数据的这一特点,将光谱信息的潜能发挥到最大。但是高光谱数据本身还是由一幅幅在不同波段下获取的图像组成,空间信息仍具有不可替代的作用。
实施例1
图1示出了根据本申请的一个实施例一种图像半监督分类方法的流程图。
本申请实施例提供了一种基于近邻属性互补的高光谱图像半监督分类方法,所述方法的流程如图1所示,包括以下步骤:
在步骤S1中,读入高光谱立方体数据:H(x,y,z)和训练集DL={VL,YL},,
其中,x、y表示空间像素点位置,z表示所处光谱波段位置,VL为训练像素集合,YL为对应的训练标签集合。
高光谱图像的波段数量大、地物种类多,所以像素的光谱特征具有多样性。另外,低空间分辨率,地物分布异质性,多次散射效应等因素会加重多样性的程度,往往会导致同物异谱现象或同频异物现象,给图像分类造成了困难。
采用固定大小的规则窗口来确定给定像素的邻域范围,是高光谱图像处理领域常用的提取空间信息的方法。但是实际地物,特别是自然地物,很少具有规则的形状和大小。
在步骤S2中,将所述高光谱图像数据按像素的列顺序取出,重排列为数据矩阵V={v1,v2,...,vN}T,
其中,N是高光谱图像像素总数。
在步骤S3中,采用去特征均值的高斯径向基函数计算全连接权重矩阵W,其中像素vi和像素vj间的连接权重为:
其中,Wii=0,Wij表示矩阵W的第i行第j列的元素,va代表所有像素点的特征均值。
使用去特征均值的高斯径向基函数,考虑了数据特征存在的均值波动,通过去特征均值的中心化置0处理来对齐数据特征。基于去特征均值的高斯径向基函数的全连接权重矩阵计算方法可以被用于构造聚类能力更强的图结构。
在步骤S4中,计算每个像素除自身外的k近邻,例如对于像素vi,计算该像素与所有的像素的连接权重Wi·={Wi1,Wi2,...,WiN},取出除Wii外的前k个最大的权重,以及它们对应被连接像素。
所述权重矩阵计算方法,使用基于去特征均值的高斯径向基函数来表征像素间的相似度。该方法调整数据特征的均值为0,起到了对齐作用,使图结构对像素间的连接强弱把握更准确。
在步骤S5中,构造强制最近邻属性的稀疏连接矩阵Γ(NN),将每个像素与其最近邻像素相连,并将强制最近邻属性的稀疏连接矩阵中对应位置的元素值置1,无连接的位置取0值.例如像素vi的最近邻为像素vj,则设置强制最近邻属性的稀疏连接矩阵Γ(NN)中的
强制最近邻与互k近邻属性互补,避免了图结构中可能出现的孤立像素点,两种互补近邻属性共同用于稀疏化图结构,使最终的图结构趋于更优,保证对高光谱图像数据的准确图建模。
在步骤S6中,构造互k近邻属性的稀疏连接矩阵Γ(mk),分析每个像素的k近邻域,取出在像素vi的k近邻范围中的像素集合,逐一分析vi是否在集合中每个像素的k近邻范围中。
互k近邻稀疏化方式切除了像素间大部分不稳定弱连接,为最终的图结构保留住更加稳定可靠的连接。含有一种互k近邻属性的稀疏化模式,只考虑互为对方k近邻的像素对的连接,保证了大部分像素间的连接更强、更可靠,防止了强制k近邻连接中单方面认为的“伪强连接”,因此对后续的标签传播提供了稳定性保障,一定程度上避免了误传播。
在步骤S7中,采用矩阵的逻辑或运算计算近邻属性互补的稀疏连接矩阵ΓC:
ΓC=Γ(NN)|Γ(mk)。
其中·为矩阵点乘运算。
在步骤S9中,构造初始标签矩阵Y={y1,y2,...,yN},其中训练像素对应的标签取YL中对应的值,其余标签值取0。
将初始标签矩阵Y编码为初始成员矩阵F(0),其表示为:
利用了两种互补的近邻属性来构造一个更有效的图稀疏化规则,结合了强制最近邻属性和互k近邻属性各自的独特优势,共同促进更稳定、更少连接噪声的图结构,这种更适应高光谱数据分布的图结构在半监督分类任务中具有更优异的分类性能。与基于强制k近邻图的高光谱图像半监督分类方法和多项式逻辑回归分类方法,本发明方法具有更准确的分类结果。
在步骤S11中,验证高光谱图像分类结果。
基于改进了图结构,使之更加契合高光谱图像数据的不规则分布,数据聚类能力更强的图结构对应着更高效的标签传播过程,这使得本发明提出的基于近邻属性互补的高光谱图像半监督分类方法掌握了更值得信赖的数据分布先验知识,因而能够在较少训练样本的情况下实现更准确的分类效果。
需要注意的是,以上对于流程图的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解本申请后,可能在不背离这一原理的情况下,对实施上述方法的应用领域形式和细节上进行各种修正和改变。然而,这些修正和改变仍在以上描述的范围内。
图2是对于AVIRIS Indian Pines图像,采用本发明的基于近邻属性互补的高光谱图像半监督分类方法的分类精度在初始训练样本分别取每类4个、6个、8个、10个不同情况下的变化示意图,从图中看出,初始训练样本每类的个数越多,其分类精度越高。
图3(a)是对于AVIRIS Indian Pines图像,采用基于强制k近邻图的高光谱图像半监督分类方法的分类精度在初始训练样本分别取每类4个、6个、8个、10个不同情况下的变化示意图。
AVIRIS印第安纳数据集是印第安纳州Indian Pines实验区的高光谱图像数据,拍摄于1992年6月,波段数目是224,空间分辨率为20cm,图像尺寸是145×145,波长范围0.4~2.5微米。去除24个噪声波段和水汽吸收波段后,图像剩余波段数目为200个,共包含16种地物。本申请将基于此数据集为实验基础数据对不同方法的图像分类结果进行对比。
图3(b)是对于AVIRIS Indian Pines图像,采用多项式逻辑回归分类器的分类精度在初始训练样本分别取每类4个、6个、8个、10个不同情况下的变化示意图。
图4(a)是训练样本标签,图像中的像素点被分为12类,图中训练样本是对AVIRISIndian Pines图像,通过在每类随机采样4个像素点得到的。
图4(b)是训练样本标签,图像中的像素点被分为12类,图中训练样本是对AVIRISIndian Pines图像,通过在每类随机采样6个像素点得到的。
图4(c)是训练样本标签,图像中的像素点被分为12类,图中训练样本是对AVIRISIndian Pines图像,通过在每类随机采样8个像素点得到的。
图4(d)是训练样本标签,图像中的像素点被分为12类,图中训练样本是对AVIRISIndian Pines图像,通过在每类随机采样10个像素点得到的。
图5(a)是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本是对AVIRIS Indian Pines图像,通过在每类随机采样4个像素点得到的。
图5(b)是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本是对AVIRIS Indian Pines图像,通过在每类随机采样6个像素点得到的。
图5(c)是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本是对AVIRIS Indian Pines图像,通过在每类随机采样8个像素点得到的。
图5(d)是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本是对AVIRIS Indian Pines图像,通过在每类随机采样10个像素点得到的。
图6(a)是全体样本标签,采用本发明提出的基于近邻属性互补的高光谱图像半监督分类方法得到对AVIRIS Indian Pines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(a)所示。
图6(b)是全体样本标签,采用本发明提出的基于近邻属性互补的高光谱图像半监督分类方法得到对AVIRIS Indian Pines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(b)所示。
图6(c)是全体样本标签,采用本发明提出的基于近邻属性互补的高光谱图像半监督分类方法得到对AVIRIS Indian Pines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(c)所示。
图6(d)是全体样本标签,采用本发明提出的基于近邻属性互补的高光谱图像半监督分类方法得到对AVIRIS Indian Pines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(d)所示。
图7(a)是全体样本标签,采用基于强制k近邻图的高光谱图像半监督分类方法得到对AVIRIS Indian Pines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(a)所示。
图7(b)是全体样本标签,采用基于强制k近邻图的高光谱图像半监督分类方法得到对AVIRIS Indian Pines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(b)所示。
图7(c)是全体样本标签,采用基于强制k近邻图的高光谱图像半监督分类方法得到对AVIRIS Indian Pines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(c)所示。
图7(d)是全体样本标签,采用基于强制k近邻图的高光谱图像半监督分类方法得到对AVIRIS Indian Pines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(d)所示。
图8(a)是全体样本标签,采用多项式逻辑回归分类方法得到对AVIRIS IndianPines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(a)所示。
图8(b)是全体样本标签,采用多项式逻辑回归分类方法得到对AVIRIS IndianPines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(b)所示。
图8(c)是全体样本标签,采用多项式逻辑回归分类方法得到对AVIRIS IndianPines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(c)所示。
图8(d)是全体样本标签,采用多项式逻辑回归分类方法得到对AVIRIS IndianPines图像的分类结果,图像中的像素点被分为12类,图的分类结果对应的训练样本如图4(d)所示。
对比分析图6(a)-图6(d)得到利用基于近邻属性互补的高光谱图像半监督分类方法以及图4(a)-图4(d)训练样本对AVIRIS Indian Pines高光谱图像测试样本分类,得到的准确率。其中,待分类的像素来自于12个类。
当每类训练样本个数为4时,分类准确率是58.19%;
当每类训练样本个数为6时,分类准确率是61.48%;
当每类训练样本个数为8时,分类准确率是61.94%;
当每类训练样本个数为10时,分类准确率是63.69%。
对比分析由图7(a)-图7(d)得到利用基于强制k近邻图的高光谱图像半监督分类方法以及图4(a)-图4(d)训练样本对AVIRIS Indian Pines高光谱图像测试样本分类,得到的准确率。其中,待分类的像素来自于12个类。
当每类训练样本个数为4时,分类准确率是57.24%;
当每类训练样本个数为6时,分类准确率是60.24%;
当每类训练样本个数为8时,分类准确率是60.51%;
当每类训练样本个数为10时,分类准确率是62.31%。
对比分析由图8(a)-图8(d)得到利用多项式逻辑回归分类方法以及图4(a)-图4(d)训练样本对AVIRIS Indian Pines高光谱图像测试样本分类,得到的准确率。其中,待分类的像素来自于12个类。
当每类训练样本个数为4时,分类准确率是52.90%;
当每类训练样本个数为6时,分类准确率是56.49%;
当每类训练样本个数为8时,分类准确率是57.94%;
当每类训练样本个数为10时,分类准确率是62.07%。
本申请实施例可能带来的有益效果包括但不限于:
面向高光谱数据分布的更稳定的图结构:本发明方法从三个角度改进了图结构,使之更加契合高光谱图像数据的不规则分布。首先提供了一种新型的图权重矩阵计算方法,使用基于去特征均值的高斯径向基函数来表征像素间的相似度;该方法调整数据特征的均值为0,起到了对齐作用,使图结构对像素间的连接强弱把握更准确。另外,互k近邻稀疏化方式切除了像素间大部分不稳定弱连接,为最终的图结构保留住更加稳定可靠的连接。强制最近邻与互k近邻属性互补,避免了图结构中可能出现的孤立像素点,两种互补近邻属性共同用于稀疏化图结构,使最终的图结构趋于更优,保证对高光谱图像数据的准确图建模。
在小样本条件下分类能力更强:基于上述三个方面的图优化方式,数据聚类能力更强的图结构对应着更高效的标签传播过程,这使得本发明提出的基于近邻属性互补的高光谱图像半监督分类方法掌握了更值得信赖的数据分布先验知识,因而能够在较少训练样本的情况下实现更准确的分类效果。
应当理解,本申请提供的一种图像半监督分类装置,所述装置包括至少一个处理器以及至少一个存储器。在一些实施例中,所述装置可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的电子设备不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
Claims (3)
1.一种图像半监督分类方法,其特征在于,所述方法包括以下步骤:
读取高光谱图像立方体数据和训练集DL={VL,YL},
其中,VL为训练像素集合,YL为对应的训练标签集合;
将高光谱图像立方体数据按像素的列顺序取出,重排列为数据矩阵V={v1,v2,...,vN}T,
其中,N为高光谱图像立方体数据的像素总数;
通过去特征均值的高斯径向基函数计算全连接权重矩阵W;
所述全连接权重矩阵W的第i行第j列的元素表示如下:
其中,Wii=0,va代表所有像素点的特征均值;
计算每个像素除自身外的k近邻;
构建强制最近邻属性的稀疏连接矩阵Γ(NN);所述强制最近邻属性的稀疏连接矩阵Γ(NN),其构造方式为:
将每个像素与其最近邻像素相连,并将强制最近邻属性的稀疏连接矩阵中对应位置的元素值置1,无连接的位置取0值;
构建互k近邻属性的稀疏连接矩阵Γ(mk);所述互k近邻属性的稀疏连接矩阵Γ(mk),其构建方式为:
分析每个像素的k近邻域,取出在像素vi的k近邻范围中的像素集合,逐一分析vi是否在集合中每个像素的k近邻范围中;
获取近邻属性互补的稀疏连接矩阵ΓC;所述近邻属性互补的稀疏连接矩阵ΓC采用逻辑或运算计算:
ΓC=Γ(NN)|Γ(mk);
其中·为矩阵点乘运算;
构建初始标签矩阵Y={y1,y2,...,yN},其中训练像素对应的标签取训练标签集合YL中对应的值,其余标签值取0;将初始标签矩阵Y编码为初始成员矩阵F(0):
验证所述分类结果。
2.一种图像半监督分类装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1所述的图像半监督分类方法。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令中的至少部分指令被处理器执行时,实现如权利要求1所述的图像半监督分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900144.5A CN110689064B (zh) | 2019-09-23 | 2019-09-23 | 一种图像半监督分类方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900144.5A CN110689064B (zh) | 2019-09-23 | 2019-09-23 | 一种图像半监督分类方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689064A CN110689064A (zh) | 2020-01-14 |
CN110689064B true CN110689064B (zh) | 2023-06-09 |
Family
ID=69110043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900144.5A Active CN110689064B (zh) | 2019-09-23 | 2019-09-23 | 一种图像半监督分类方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689064B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052216B (zh) * | 2021-03-15 | 2022-04-22 | 中国石油大学(华东) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593676A (zh) * | 2013-11-29 | 2014-02-19 | 重庆大学 | 基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法 |
CN104751191A (zh) * | 2015-04-23 | 2015-07-01 | 重庆大学 | 一种稀疏自适应半监督多流形学习的高光谱影像分类方法 |
CN106778832A (zh) * | 2016-11-28 | 2017-05-31 | 华南理工大学 | 基于多目标优化的高维数据半监督集成分类方法 |
CN107862323A (zh) * | 2017-10-10 | 2018-03-30 | 安徽信息工程学院 | 半监督情况下判别性的特征选择方法 |
CN108520279A (zh) * | 2018-04-12 | 2018-09-11 | 上海海洋大学 | 一种局部稀疏嵌入的高光谱图像半监督降维方法 |
CN109784392A (zh) * | 2019-01-07 | 2019-05-21 | 华南理工大学 | 一种基于综合置信的高光谱图像半监督分类方法 |
-
2019
- 2019-09-23 CN CN201910900144.5A patent/CN110689064B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593676A (zh) * | 2013-11-29 | 2014-02-19 | 重庆大学 | 基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法 |
CN104751191A (zh) * | 2015-04-23 | 2015-07-01 | 重庆大学 | 一种稀疏自适应半监督多流形学习的高光谱影像分类方法 |
CN106778832A (zh) * | 2016-11-28 | 2017-05-31 | 华南理工大学 | 基于多目标优化的高维数据半监督集成分类方法 |
CN107862323A (zh) * | 2017-10-10 | 2018-03-30 | 安徽信息工程学院 | 半监督情况下判别性的特征选择方法 |
CN108520279A (zh) * | 2018-04-12 | 2018-09-11 | 上海海洋大学 | 一种局部稀疏嵌入的高光谱图像半监督降维方法 |
CN109784392A (zh) * | 2019-01-07 | 2019-05-21 | 华南理工大学 | 一种基于综合置信的高光谱图像半监督分类方法 |
Non-Patent Citations (2)
Title |
---|
基于典型相关分析的高分辨率遥感图像特征融合与分类方法研究;林达;《中国博士学位论文全文数据库信息科技辑》;20180115(第01期);I140-83 * |
高光谱图像稀疏流形学习方法研究;罗甫林;《中国博士学位论文全文数据库 信息科技辑》;20170915(第09期);I140-58 * |
Also Published As
Publication number | Publication date |
---|---|
CN110689064A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10685462B2 (en) | Automatic data extraction from a digital image | |
US10963632B2 (en) | Method, apparatus, device for table extraction based on a richly formatted document and medium | |
US10748281B2 (en) | Negative sample enhanced object detection machine | |
US20240233313A1 (en) | Model training method, image processing method, computing and processing device and non-transient computer-readable medium | |
US20210374453A1 (en) | Segmenting objects by refining shape priors | |
US11176361B2 (en) | Handwriting detector, extractor, and language classifier | |
EP3204871A1 (en) | Generic object detection in images | |
CN105825243A (zh) | 证件图像检测方法及设备 | |
EP2234388B1 (en) | Object detection apparatus and method | |
Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
CN111401309B (zh) | 基于小波变换的cnn训练和遥感图像目标识别方法 | |
CN111222588A (zh) | 一种后门样本检测方法、系统及装置 | |
Cicconet et al. | Mirror symmetry histograms for capturing geometric properties in images | |
CN114330588A (zh) | 一种图片分类方法、图片分类模型训练方法及相关装置 | |
US20110286670A1 (en) | Image processing apparatus, processing method therefor, and non-transitory computer-readable storage medium | |
CN114943674A (zh) | 瑕疵检测方法、电子装置及存储介质 | |
CN110689064B (zh) | 一种图像半监督分类方法、装置及计算机可读存储介质 | |
CN110688934B (zh) | 一种空间采样主动学习分类方法、电子设备及存储介质 | |
CN117437555A (zh) | 一种基于深度学习的遥感影像目标提取处理方法及装置 | |
JP5755810B2 (ja) | 特徴抽出のための技法 | |
US20230177122A1 (en) | Signal classification method and apparatus with noise immunity, and unmanned aerial vehicle signal classification system using same | |
Pasanen et al. | Bayesian scale space analysis of temporal changes in satellite images | |
US20210365790A1 (en) | Method and apparatus with neural network data processing | |
CN110705695B (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
US11200676B2 (en) | Shift invariant loss for deep learning based image segmentation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |