CN111639697A - 基于非重复采样与原型网络的高光谱图像分类方法 - Google Patents

基于非重复采样与原型网络的高光谱图像分类方法 Download PDF

Info

Publication number
CN111639697A
CN111639697A CN202010460841.6A CN202010460841A CN111639697A CN 111639697 A CN111639697 A CN 111639697A CN 202010460841 A CN202010460841 A CN 202010460841A CN 111639697 A CN111639697 A CN 111639697A
Authority
CN
China
Prior art keywords
test
prototype
class
training
data
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.)
Granted
Application number
CN202010460841.6A
Other languages
English (en)
Other versions
CN111639697B (zh
Inventor
张文博
茹颖
姬辛迪
柴新雨
段育松
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202010460841.6A priority Critical patent/CN111639697B/zh
Publication of CN111639697A publication Critical patent/CN111639697A/zh
Application granted granted Critical
Publication of CN111639697B publication Critical patent/CN111639697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于非重复采样和原型网络的高光谱图像分类方法，主要解决现有技术中在小样本学习场景下，由于训练样本较少而引起的过拟合现象和训练过程中由于学习到测试样本，造成分类结果“虚高”的问题。其实现方案为：1)利用非重复采样法从预处理后的数据集中采集出训练集和测试集；2)构建高光谱图像原型分类网络；3)利用训练集对高光谱图像原型分类网络进行训练，得到训练好的网络最优模型；4)将测试集输入到网络最优模型中，得到测试数据分类结果。本发明解决了现有小样本场景下存在的过拟合问题，同时又保证了分类精度，可应用于地质勘探、城市遥感和海洋探测。

Description

基于非重复采样与原型网络的高光谱图像分类方法
技术领域
本发明属于图像处理领域，进一步涉及一种高光谱图像分类方法，可用于地质勘探、城市遥感和海洋探测。
背景技术
高光谱图像分类是图像处理领域研究的重点。高光谱图像具有数据量大、波段多、波段间相关性强等特性，给其在分类和识别应用中带来了许多挑战。近年来高光谱图像分类技术得到了很大提升，现有的高光谱图像分类方法有基于支持向量机SVM的高光谱图像分类方法、基于扩展形态学剖面EMP的传统高光谱图像分类方法、基于二维卷积神经网络2DCNN的深度学习高光谱图像分类方法等。其中：
基于支持向量机SVM的高光谱图像分类方法是由L.Bruzzone等人在2006年提出。先使用主成分分析方法对高光谱数据进行降维，再选取合适的核函数使用支持向量机对降维后的数据进行分类。然而，该方法只利用了光谱信息，因此在估计像素时更容易出现噪声。
基于扩展形态学剖面EMP的高光谱图像分类方法是由J.A.Benediktsson等人在2005年首次提出。首先使用主成分分析来对原始高光谱数据进行主成分变换，并对前三主成分数据进行存取。然后使用4个不同尺寸的圆形结构元素分别对前三主成分的每一主成分数据进行形态学开操作和闭操作，获得其扩展形态学剖面EMP数据，最后使用支持向量机SVM对EMP数据进行分类。虽然EMP方法考虑了空间信息，分类精度有所提高，但是仍然存在大量的分类噪声。
基于二维深度卷积神经网络2DCNN的高光谱图像分类方法是由罗建华等人在2017年提出。该方法首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，然后利用深度卷积神经网络对输入的样本进行空间特征提取，最后通过学习到的高级特征进行逻辑回归训练。该方法具有很强的学习能力，分类效果也显著突出。然而深度卷积神经网络训练过程中需要大量的样本，现有的可用于训练的高光谱图像样本又很少，因此将深度卷积神经网络应用到高光谱图像分类中，容易产生过拟合，泛化能力较弱等问题。
发明内容
本发明的目的在于提供一种基于非重复采样与原型网络的高光谱图像分类方法。在原型网络的基础上加入了非重复采样，不仅能够解决在小样本场景下产生的过拟合问题，提高了网络分类性能，还能有效避免运用传统采样方法获得的训练样本和测试样本数据交叉，使得最终的分类结果更可靠。
为实现上述目的，本发明技术方案是：获取五个公开的高光谱数据集；分别对数据集进行预处理；采用非重复采样方法得到训练集和测试集；构建一个高光谱图像原型分类网络并设置各层参数；训练高光谱图像原型分类网络；将测试集输入到训练好的高光谱图像原型分类网络中，输出分类结果。其实现步骤包括如下：
(1)从高光谱数据库中挑选出PaviaU，Pavia，Salinas，Indian_pines和Botswana五个数据集，分别进行读取，得到每个数据集中三维矩阵数据域为m×n×h，其标签域为二维矩阵m×n，其中h代表高光谱图像的光谱维度，(m,n)表示某一光谱上像元的位置；
(2)对(1)中获取的五个数据集，分别利用每个数据集中三维矩阵数据域进行数据归一化处理、去除背景类和降维操作的预处理，以消除噪声和冗余信息带来的影响；
(3)划分训练集和测试集：在预处理后的五个数据集中，随机在一个数据集中挑选出所有的样本数大于200的类别，并用非重复采样的方法分别从每类中采集200个样本作为测试集，从剩余四个数据集中随机抽取出N个样本数大于200的类，再利用非重复采样的方法，从每一类中采集200个样本作为训练集，N的取值根据不同的训练集分别设置；
(4)构建依次由输入数据→第一卷积层→第一RELU操作→第二卷积层→第二RELU操作→全连接层组成的高光谱图像原型分类网络；
(5)对高光谱图像原型分类网络进行训练，得到训练好的网络最优模型；
(6)对测试集进行分类：
(6a)将测试集按照每类3：197的样本比例划分为测试支持集和测试查询集；
(6b)将测试支持集输入到(5)得到的网络最优模型，得到测试查询集中每一类的原型位置，并对测试查询集中的样本数据到对应类别的原型位置的距离做softmax逻辑回归操作，得到测试数据分类结果。
本发明与现有技术相比，具有如下优点：
1.本发明利用原型网络解决了高光谱图像在小样本场景下，因学习样本过少导致训练过拟合，从而造成分类精度较低的问题；
2.本发明运用非重复采样方法，分别对训练样本和测试样本进行采样，解决了在训练时已经对测试集中部分样本进行了学习，而导致的分类结果“虚高”的问题。
附图说明
图1为本发明的实现流程图。
具体实施方式
以下结合附图对本发明的技术方案和效果作进一步详细描述。
参照图1，本发明的实施步骤如下：
步骤1，获取五个公开的高光谱数据集。
从高光谱数据库中挑选出PaviaU，Pavia，Salinas，Indian_pines和Botswana五个数据集分别进行读取，得到每个数据集中三维矩阵数据域m×n×h和二维矩阵标签域为m×n，其中h代表高光谱图像的光谱维度，(m,n)表示某一光谱上像元的位置。
步骤2，对(1)中获取的五个数据集，分别利用每个数据集中三维矩阵数据域进行数据预处理，以消除噪声和冗余信息带来的影响。
(2.1)将步骤(1)中获得的三维矩阵数据域m×n×h变换为二维矩阵[(m×n),h]；
(2.2)采用Max-Min归一化操作，遍历h个光谱，并将每一个光谱中的m×n个数据，都映射到[0,1]范围内，得到归一化后的像元值xijs′
Figure BDA0002510899080000031
其中，s表示高光谱图像中的一个光谱段，(i,j)表示光谱段s中的一个像元的坐标，xijs表示光谱段s中的一个像元值，x··smax,x··smin分别表示在光谱段s中所有像元的最大值和最小值；
(2.3)去除背景类操作，即去除数据集中类别为0的样本与标签。
(2.4)降维操作，即对去除背景类后的五个数据集进行主成分分析，取前pn个主成分数据作为光谱信息，将原h维数据降维到pn维，得到预处理后的三维矩阵m×n×pn，本实例pn设为50。
步骤3，划分训练集和测试集。
(3.1)在预处理后的五个数据集中，随机选取其中一个数据集作为待测试集，剩余四个数据集作为待训练集；
(3.2)从待训练集中随机抽取出N个样本数大于200的类，再利用非重复采样的方法，分别从N个类的每类中采集200个1×1的样本窗口作为训练集；
(3.3)在待测试集中挑选出K个样本数大于200的类，并用非重复采样的方法，分别从K个类的每类中采集200个1×1的样本窗口作为测试集；
(3.4)为了利用高光谱图像的空间信息，将训练集中200*N个1×1的样本窗口中心延拓为3×3的样本窗口；再将测试集中200*K个1×1的样本窗口中心延拓为3×3的样本窗口。
步骤4，构建高光谱图像原型分类网络。
(4.1)网络结构：
该高光谱图像原型分类网络的结构依次为输入数据→第一卷积层→第一RELU操作→第二卷积层→第二RELU操作→全连接层；
(4.2)设置网络各层参数：
在第一卷积层中，设特征映射图总数为50，卷积核大小为3×3，卷积步长为1，为了保证经过第一卷积层后输出数据大小不发生改变，对输入到第一卷积层的数据进行填充，填充值设为1；
在第二卷积层中，设特征映射图总数为100，卷积核大小为3×3，卷积步长为1，在全连接层中，设输入宽度为200，输出宽度为9。
步骤5，对高光谱图像原型分类网络进行训练，得到训练好的网络最优模型。
(5.1)在训练集中，将每一类按照3：197的样本比例划分为训练支持集和训练查询集，并将训练支持集中的样本依次通过网络映射到度量空间中，计算度量空间中每一类样本点的重心，初始化各类原型，再随着查询集的增加不断更新原型位置cξ；
(5.2)依次将查询集中属于类ξ的样本x经过原型网络映射到度量空间，将映射后对应的样本点记作fΦ(x)，利用fΦ(x)到类别ξ的原型cξ的距离d(fΦ(x),cξ)，计算训练样本x属于类别ξ的概率pΦ(y＝ξ|x)：
Figure BDA0002510899080000051
其中，ξ表示当前训练样本点fΦ(x)对应的类别，ξ′表示训练集中任意一种类别，d(fΦ(x),cξ′)表示样本点fΦ(x)到类别ξ′的原型cξ′的距离；
(5.3)利用训练样本x属于类别ξ的概率pΦ(y＝ξ|x)，通过随机梯度下降法计算网络的目标函数J(Φ)：
J(Φ)＝-log(pΦ(y＝ξ|x))；
(5.4)循环执行(5.1)到(5.3)共1000次后结束训练，将目标函数J(Φ)最小时的模型作为训练好的网络最优模型fφ。
步骤6，对测试集进行分类，输出分类结果。
(6.1)在测试集中，将每一类样本按照3：197的比例划分为测试支持集和测试查询集；
(6.2)将测试支持集输入到网络最优模型fφ中，初始化测试集中每一类原型ck；
(6.3)依次将测试查询集中的样本z通过网络最优模型fφ映射到度量空间，映射后对应的样本点记作fφ(z)，利用fφ(z)到类别k的原型ck的距离d(fφ(z),ck)，计算测试样本z属于类别k的概率p(y＝k|z)：
Figure BDA0002510899080000052
其中，k表示当前测试样本点fφ(z)对应的类别，k′表示测试集中任意一种类别，d(fφ(z),ck′)表示测试样本点fφ(z)到类别k′的原型ck′的距离；
(6.4)将p(y＝k|z)最大时k的值作为测试样本z的分类结果；
(6.5)循环执行(6.3)到(6.4)，遍历测试查询集中所有的样本，得到测试查询集中197*K个样本的分类结果。
本发明的效果可通过以下测试结果进行说明：
测试1，选取PaviaU作为待测试集，训练类别N取值为30，测试类别K取值为9，在每类仅有三个带标签的样本可供使用的场景下，分别用本发明与现有的SVM，EMP，2DCNN进行测试，其分类精度如表1：
表1基于测试集PaviaU的分类精度
Figure BDA0002510899080000061
表1中，SVM表示现有的基于支持向量机的高光谱图像分类模型，EMP表示现有的基于扩展形态学剖面的高光谱图像分类模型，2DCNN表示现有二维卷积神经网络的高光谱图像分类模型，PN表示本发明使用的基于原型网络的高光谱图像分类模型。
从表1可见：基于测试集PaviaU，使用SVM分类模型并采用传统采样法对高光谱图像分类的精度为54.55％，使用SVM分类模型并采用非重复采样法对高光谱图像分类的精度为45.68％，使用EMP分类模型并采用传统采样法对高光谱图像分类的精度为64.18％，使用EMP分类模型并采用非重复采样法对高光谱图像分类的精度为53.28％，使用2DCNN分类模型并采用传统采样法对高光谱图像分类的精度为68.59％，使用2DCNN分类模型并采用非重复采样法对高光谱图像分类的精度为61.38％，使用PN分类模型并采用传统采样法对高光谱图像分类的精度为72.03％，本发明使用PN分类模型并采用非重复采样法对高光谱图像分类的精度为67.98％。
在采用非重复采样方法获得样本时，PN模型在每类仅有三个标记样本时对高光谱图像进行分类的场景下，其分类精度比SVM模型高22.3％，比EMP模型高14.7％，比2DCNN模型高6.6％，说明在解决小样本问题时，使用PN分类模型相比于其他分类模型更具有优势。
从表1还可以看出：本发明使用的PN分类模型，采用非重复采样法相比于传统采样法获得样本，其分类精度仅仅降低了4.05％，这是因为传统采样法在采样过程中增加了训练样本和测试样本间的重叠，造成分类精度“虚高”的问题，说明用非重复采样方法获得的训练数据和测试数据更加客观，分类结果也更加可靠。
测试2，选取Salinas作为待测试集，训练类别N取值为20，测试类别K取值为16，在每类仅有三个带标签的样本可供使用的场景下，分别用本发明与现有的SVM，EMP，2DCNN进行测试，其分类精度如表2：
表2基于测试集Salinas的分类精度
Figure BDA0002510899080000071
从表2可见：基于测试集Salinas，使用SVM分类模型并采用传统采样法对高光谱图像分类的精度为72.38％，使用SVM分类模型并采用非重复采样法对高光谱图像分类的精度为68.92％，使用EMP分类模型并采用传统采样法对高光谱图像分类的精度为72.08％，使用EMP分类模型并采用非重复采样法对高光谱图像分类的精度为60.88％，使用2DCNN分类模型并采用传统采样法对高光谱图像分类的精度为81.68％，使用2DCNN分类模型并采用非重复采样法对高光谱图像分类的精度为75.89％，使用PN分类模型并采用传统采样法对高光谱图像分类的精度为81.70％，本发明使用PN分类模型并采用非重复采样法对高光谱图像分类的精度为77.09％。
在采用非重复采样方法获得样本时，PN模型在每类仅有三个标记样本时对高光谱图像进行分类的场景下，其分类精度比SVM模型高8.17％，比EMP模型高16.02％，比2DCNN模型高1.2％，说明在解决小样本问题时，使用PN分类模型相比于其他分类模型更具有优势。
从表2还可以看出：本发明使用的PN分类模型，采用非重复采样法相比于传统采样法获得样本，其分类精度仅仅降低了4.61％，这是因为传统采样法在采样过程中增加了训练样本和测试样本间的重叠，造成分类精度“虚高”的问题，说明用非重复采样方法获得的训练数据和测试数据更加客观，分类结果也更加可靠。
测试3，选取Botswana作为待测试集，训练类别N取值为50，测试类别K取值为11，，在每类仅有三个带标签的样本可供使用的场景下，分别用本发明与现有的SVM，EMP，2DCNN进行测试，其分类精度如表3：
表3基于测试集Botswana的分类精度
Figure BDA0002510899080000072
从表3可见：基于测试集Salinas，使用SVM分类模型并采用传统采样法对高光谱图像分类的精度为76.30％，使用SVM分类模型并采用非重复采样法对高光谱图像分类的精度为67.98％，使用EMP分类模型并采用传统采样法对高光谱图像分类的精度为82.79％，使用EMP分类模型并采用非重复采样法对高光谱图像分类的精度为69.69％，使用2DCNN分类模型并采用传统采样法对高光谱图像分类的精度为83.09％，使用2DCNN分类模型并采用非重复采样法对高光谱图像分类的精度为71.07％，使用PN分类模型并采用传统采样法对高光谱图像分类的精度为86.59％，本发明使用PN分类模型并采用非重复采样法对高光谱图像分类的精度为80.90％。
在采用非重复采样方法获得样本时，PN模型在每类仅有三个标记样本时对高光谱图像进行分类的场景下，其分类精度比SVM模型高12.92％，比EMP模型高11.21％，比2DCNN模型高9.83％，说明在解决小样本问题时，使用PN分类模型相比于其他分类模型更具有优势。
从表3还可以看出：本发明使用的PN分类模型，采用非重复采样法相比于传统采样法获得样本，其分类精度仅仅降低了5.69％，这是因为传统采样法在采样过程中增加了训练样本和测试样本间的重叠，造成分类精度“虚高”的问题，说明用非重复采样方法获得的训练数据和测试数据更加客观，分类结果也更加可靠。
综上，本发明从采样方式和分类模型角度综合验证了使用原型网络PN模型并采用非重复采样的方法在小样本场景中对高光谱图像的分类不仅表现出不错的效果，又解决了训练样本与测试样本可能存在部分数据重叠而导致的分类精度“虚高”的问题；同时，本发明使用的分类模型也具有良好的泛化能力，在PaviaU、Salinas和Botswana数据集上分类效果较好。

Claims (7)

1.基于非重复采样与原型网络的高光谱图像分类方法，其特征在于，包括如下：
(1)从高光谱数据库中挑选出PaviaU，Pavia，Salinas，Indian_pines和Botswana五个数据集，分别进行读取，得到每个数据集中三维矩阵数据域为m×n×h，其标签域为二维矩阵m×n，其中h代表高光谱图像的光谱维度，(m,n)表示某一光谱上像元的位置；
(2)对(1)中获取的五个数据集，分别利用每个数据集中三维矩阵数据域进行数据归一化处理、去除背景类和降维操作的预处理，以消除噪声和冗余信息带来的影响；
(3)划分训练集和测试集：在预处理后的五个数据集中，随机在一个数据集中挑选出所有的样本数大于200的类别，并用非重复采样的方法分别从每类中采集200个样本作为测试集，从剩余四个数据集中随机抽取出N个样本数大于200的类，再利用非重复采样的方法，从每一类中采集200个样本作为训练集，N的取值根据不同的训练集分别设置；
(4)构建依次由输入数据→第一卷积层→第一RELU操作→第二卷积层→第二RELU操作→全连接层组成的高光谱图像原型分类网络；
(5)对高光谱图像原型分类网络进行训练，得到训练好的网络最优模型；
(6)对测试集进行分类：
(6a)将测试集按照每类3：197的样本比例划分为测试支持集和测试查询集；
(6b)将测试支持集输入到(5)得到的网络最优模型，得到测试查询集中每一类的原型位置，并对测试查询集中的样本数据到对应类别的原型位置的距离做softmax逻辑回归操作，得到测试数据分类结果。
2.根据权利要求1所述的方法，其特征在于：(2)中数据归一化处理，其实现如下：
(2a)将步骤(1)中获得的三维矩阵数据域m×n×h变换为二维矩阵[(m×n),h]；
(2b)采用Max-Min归一化操作，遍历h个光谱，再将每一个光谱中的m×n个数据，都映射到[0,1]范围内，得到归一化后的像元值xijs′：
Figure FDA0002510899070000011
其中，s表示高光谱图像中的一个光谱段，(i,j)表示光谱段s中的一个像元的坐标，xijs表示光谱段s中的一个像元值，x..smax,x..smin分别表示在光谱段s中所有像元的最大值和最小值。
3.根据权利要求1所述的方法，其特征在于：(2)中去除背景类操作，是去除数据集中类别为0的样本与标签。
4.根据权利要求1所述的方法，其特征在于：(2)中的降维操作，是对去除背景类后的五个数据集进行主成分分析，得到三维矩阵m×n×pn，其中pn设置为50。
5.根据权利要求1所述的方法，其特征在于：(4)中高光谱图像原型分类网络的各层参数设置如下：
第一卷积层的特征映射图总数为50，卷积核大小为3×3，卷积步长为1，填充值为1；
第二卷积层的特征映射图总数为100，卷积核大小为3×3，卷积步长为1，填充值为0；
全连接层的输入宽度为200，输出宽度为9。
6.根据权利要求1所术的方法，其特征在于，(5)中对高光谱图像原型分类网络进行训练，实现如下：
(5a)在训练集中，将每一类按照3：197的样本比例划分为训练支持集和训练查询集，通过计算每一类中的支持集经过网络映射后的重心，初始化训练集中每一类原型，并随着查询集的增加不断更新原型位置cξ；
(5b)分别将训练查询集中每一类的样本通过原型分类网络fΦ映射到度量空间，对度量空间中样本点fΦ(x)到其类别ξ的原型cξ的距离d(fΦ(x),cn)做softmax逻辑回归运算，得到训练样本x属于样本类ξ的概率pΦ(y＝ξ|x)：
Figure FDA0002510899070000021
其中，ξ表示当前训练样本点fΦ(x)对应的类别，ξ′表示训练集中任意一种类别，d(fΦ(x),cξ′)表示样本点fΦ(x)到类别ξ′的原型cξ′的距离；
(5c)通过随机梯度下降法计算网络的目标函数J(Φ)：
J(Φ)＝-log(pΦ(y＝ξ|x))，
(5d)循环执行(5a)到(5c)共1000次后结束训练，得到目标函数J(Φ)最小时的模型作为训练好的网络最优模型fφ。
7.根据权利要求1所述的方法，其特征在于：(6b)中对测试查询集中的样本数据到对应类别的原型位置的距离做softmax逻辑回归操作，实现如下：
(6b1)将测试支持集输入到网络最优模型fφ中，初始化测试集中每一类原型ck；
(6b2)依次将测试查询集中的样本z通过网络最优模型fφ映射到度量空间，映射后对应的样本点记作fφ(z)，利用fφ(z)到类别k的原型ck的距离d(fφ(z),ck)，计算测试样本z属于类别k的概率p(y＝k|z)：
Figure FDA0002510899070000031
其中，k表示当前测试样本点fφ(z)对应的类别，k′表示测试集中任意一种类别，d(fφ(z),ck′)表示测试样本点fφ(z)到类别k′的原型ck′的距离；
(6b3)遍历测试查询集中所有的样本，将p(y＝k|z)最大时k的值作为样本z的分类结果。
CN202010460841.6A 2020-05-27 2020-05-27 基于非重复采样与原型网络的高光谱图像分类方法 Active CN111639697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010460841.6A CN111639697B (zh) 2020-05-27 2020-05-27 基于非重复采样与原型网络的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010460841.6A CN111639697B (zh) 2020-05-27 2020-05-27 基于非重复采样与原型网络的高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN111639697A true CN111639697A (zh) 2020-09-08
CN111639697B CN111639697B (zh) 2023-03-24

Family

ID=72331128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010460841.6A Active CN111639697B (zh) 2020-05-27 2020-05-27 基于非重复采样与原型网络的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN111639697B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819075A (zh) * 2021-02-02 2021-05-18 电子科技大学 一种基于转导式推理的均衡小样本任务分类方法
CN113408605A (zh) * 2021-06-16 2021-09-17 西安电子科技大学 基于小样本学习的高光谱图像半监督分类方法
CN116843998A (zh) * 2023-08-29 2023-10-03 四川省分析测试服务中心 一种光谱样本加权方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090318815A1 (en) * 2008-05-23 2009-12-24 Michael Barnes Systems and methods for hyperspectral medical imaging
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN108009559A (zh) * 2016-11-02 2018-05-08 哈尔滨工业大学 一种基于空谱联合信息的高光谱数据分类方法
CN109492593A (zh) * 2018-11-16 2019-03-19 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN110298396A (zh) * 2019-06-25 2019-10-01 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法
CN110688934A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种空间采样主动学习分类方法、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090318815A1 (en) * 2008-05-23 2009-12-24 Michael Barnes Systems and methods for hyperspectral medical imaging
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN108009559A (zh) * 2016-11-02 2018-05-08 哈尔滨工业大学 一种基于空谱联合信息的高光谱数据分类方法
CN109492593A (zh) * 2018-11-16 2019-03-19 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN110298396A (zh) * 2019-06-25 2019-10-01 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法
CN110688934A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种空间采样主动学习分类方法、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石祥滨等: "小样本高光谱遥感图像深度学习方法", 《系统仿真学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819075A (zh) * 2021-02-02 2021-05-18 电子科技大学 一种基于转导式推理的均衡小样本任务分类方法
CN113408605A (zh) * 2021-06-16 2021-09-17 西安电子科技大学 基于小样本学习的高光谱图像半监督分类方法
CN116843998A (zh) * 2023-08-29 2023-10-03 四川省分析测试服务中心 一种光谱样本加权方法及系统
CN116843998B (zh) * 2023-08-29 2023-11-14 四川省分析测试服务中心 一种光谱样本加权方法及系统

Also Published As

Publication number Publication date
CN111639697B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN111368896B (zh) 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法
CN111695467B (zh) 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
CN108009559B (zh) 一种基于空谱联合信息的高光谱数据分类方法
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN109784392B (zh) 一种基于综合置信的高光谱图像半监督分类方法
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN105224951B (zh) 一种车型分类方法及分类装置
CN111639697B (zh) 基于非重复采样与原型网络的高光谱图像分类方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN113408605B (zh) 基于小样本学习的高光谱图像半监督分类方法
CN110309868A (zh) 结合无监督学习的高光谱图像分类方法
Bai et al. Nhl pathological image classification based on hierarchical local information and googlenet-based representations
CN109035300B (zh) 一种基于深度特征与平均峰值相关能量的目标跟踪方法
CN105184314B (zh) 基于像素聚类的wrapper式高光谱波段选择方法
CN110516754B (zh) 一种基于多尺度超像元分割的高光谱图像分类方法
CN109002771B (zh) 一种基于递归神经网络的遥感图像分类方法
CN109034213B (zh) 基于相关熵原则的高光谱图像分类方法和系统
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
CN112990282B (zh) 一种细粒度小样本图像的分类方法及装置
CN116468083A (zh) 一种基于Transformer的生成对抗网络方法
CN116630700A (zh) 基于引入通道-空间注意力机制的遥感图像分类方法
CN115810106A (zh) 一种复杂环境下茶叶嫩梢品级精准识别方法
CN111914922B (zh) 一种基于局部卷积和空洞卷积的高光谱图像分类方法
CN112949422A (zh) 一种基于自监督光谱匹配框架的高光谱目标检测方法
CN108052981B (zh) 基于非下采样Contourlet变换和卷积神经网络的图像分类方法

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