CN113516194A - 高光谱遥感影像半监督分类方法、装置、设备及存储介质 - Google Patents
高光谱遥感影像半监督分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113516194A CN113516194A CN202110818179.1A CN202110818179A CN113516194A CN 113516194 A CN113516194 A CN 113516194A CN 202110818179 A CN202110818179 A CN 202110818179A CN 113516194 A CN113516194 A CN 113516194A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- hyperspectral remote
- classification
- semi
- pixels
- 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
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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种高光谱遥感影像半监督分类方法、装置、设备及存储介质,该方法包括:对高光谱遥感影像进行预处理;从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;使用SLIC分割算法对高光谱遥感影像进行分割,获取分割图;使用SVM分类器对高光谱遥感影像进行分类,获取初步分类图;根据分割图和初步分类图,标记伪标签数据;将伪标签数据和训练样本合并,作为新的训练数据,使用SVM分类器进行二次分类。这样有效的解决了高光谱遥感影像样本不足的问题,在较少的训练样本的情况下,能够从无标签数据中增加一部分伪标签数据,从而获取更多的训练样本,以达到提高分类精度的目的。
Description
技术领域
本发明涉及遥感影像分类技术领域,特别是涉及一种高光谱遥感影像半监督分类方法、装置、设备及存储介质。
背景技术
遥感技术作为一种新型对地观测技术,近年来向着更高空间分辨率、时间分辨率、光谱分辨率的方向迅速发展。随着高光谱传感器的快速研制以及高光谱遥感技术的飞速发展,高光谱遥感影像数据量越来越大,计算机硬件不断提升,对影像的应用和算法也提出了更高的要求。如何快速有效地从高光谱遥感影像中提取地物信息是高光谱遥感处理领域的研究重点。
高光谱影像分类是高光谱遥感影像处理领域中一个发展较快的研究方向,对高光谱遥感影像的地物进行分类可以在一定程度上反映地物的空间分布,便于人们从中认识和发现规律、辅助决策。然而,高光谱影像的维度较高,需要较多的样本进行模型训练。在实际应用中,获取样本标签的成本通常较高,往往导致训练样本不足,从而降低模型训练效果,限制地物分类精度。
因此,如何解决高光谱遥感影像小样本的问题,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种高光谱遥感影像半监督分类方法、装置、设备及存储介质,可以获取更多的训练样本,提高分类精度。其具体方案如下:
一种高光谱遥感影像半监督分类方法,包括:
对高光谱遥感影像进行预处理;
从所述高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;
使用SLIC分割算法对所述高光谱遥感影像进行分割,获取分割图;
使用SVM分类器对所述高光谱遥感影像进行分类,获取初步分类图;
根据所述分割图和所述初步分类图,标记伪标签数据;
将所述伪标签数据和所述训练样本合并,作为新的训练数据,使用所述SVM分类器进行二次分类。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,在所述SLIC分割算法中,使用光谱角距离代替自然图像的颜色距离,以使相似光谱的像素在空间上聚类。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述使用SLIC分割算法对所述高光谱遥感影像进行分割,获取分割图,包括:
将所述高光谱遥感影像中的每个像素表示为Ai=[xi,αi,βi]T,其中xi T=[x1,x2,...,xd]T表示第i个像素的光谱数据,d表示维度,[αi,βi]T表示空间向量;
根据输入的聚类中心个数,将所述高光谱遥感影像均匀地分为个数与所述聚类中心个数相同的超像素;
计算每一个超像素的均值作为聚类中心,以及计算像素与所述聚类中心之间的距离;
根据计算的所述距离,更新所述聚类中心;
迭代上述步骤,直至所述聚类中心不再变化或者到达迭代次数,获取所述高光谱遥感影像的分割图。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述计算像素与所述聚类中心之间的距离,包括:
计算像素的光谱距离和空间距离;
根据所述光谱距离、所述空间距离、像素的周围邻域范围,以及空间特征和光谱特征的权重系数,计算像素与所述聚类中心之间的距离。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述根据所述分割图和所述初步分类图,标记伪标签数据,包括:
在所述分割图中,将所有的超像素分为含有所述训练样本的超像素和不含所述训练样本的超像素;
对于含有所述训练样本的超像素,在所述初步分类图中找出与该超像素中所述训练样本的类别相同的像素,将找出的像素的分类结果作为伪标签数据;
对于不含所述训练样本的超像素,当根据所述初步分类图判定该超像素中所有像素具有局部同质性时,将该超像素中所有像素的分类结果作为伪标签数据。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,根据所述初步分类图判定该超像素中所有像素具有局部同质性,包括:
在所述初步分类图中,判断该超像素中所有像素的初始分类结果是否均相同,若是,则判定该超像素中所有像素具有局部同质性。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述对高光谱遥感影像进行预处理,包括:
对高光谱遥感影像进行归一化处理和降维处理。
本发明实施例还提供了一种高光谱遥感影像半监督分类装置,包括:
影像处理模块,用于对高光谱遥感影像进行预处理;
样本选取模块,用于从所述高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;
影像分割模块,用于使用SLIC分割算法对所述高光谱遥感影像进行分割,获取分割图;
初步分类模块,用于使用SVM分类器对所述高光谱遥感影像进行分类,获取初步分类图;
伪标签标记模块,用于根据所述分割图和所述初步分类图,标记伪标签数据;
二次分类模块,用于将所述伪标签数据和所述训练样本合并,作为新的训练数据,使用所述SVM分类器进行二次分类。
本发明实施例还提供了一种高光谱遥感影像半监督分类设备,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述高光谱遥感影像半监督分类方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述高光谱遥感影像半监督分类方法。
从上述技术方案可以看出,本发明所提供的一种高光谱遥感影像半监督分类方法,包括:对高光谱遥感影像进行预处理;从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;使用SLIC分割算法对高光谱遥感影像进行分割,获取分割图;使用SVM分类器对高光谱遥感影像进行分类,获取初步分类图;根据分割图和初步分类图,标记伪标签数据;将伪标签数据和训练样本合并,作为新的训练数据,使用SVM分类器进行二次分类。
本发明首先使用SLIC分割和SVM对影像进行初步分类和分割,然后根据分割图和初步分类图来标记伪标签,最后通过SVM二次分类,这样有效的解决了高光谱遥感影像样本不足的问题,在较少的训练样本的情况下,能够从无标签数据中增加一部分伪标签数据,从而获取更多的训练样本,以达到提高分类精度的目的。
此外,本发明还针对高光谱遥感影像半监督分类方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的高光谱遥感影像半监督分类方法的流程图;
图2为本发明实施例提供的高光谱遥感影像半监督分类方法的示意图;
图3为本发明实施例提供的经SLIC分割后的分割图;
图4a和图4b分别为本发明实施例提供的伪标签选取策略示意图;
图5为采用本发明实施例提供的高光谱遥感影像半监督分类方法得到的分类结果图;
图6为本发明实施例提供的高光谱遥感影像半监督分类装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种高光谱遥感影像半监督分类方法,如图1所示,包括以下步骤:
S101、对高光谱遥感影像进行预处理;
在具体实施时,对高光谱遥感影像进行预处理,主要包括:对高光谱遥感影像进行归一化处理和降维处理。较佳地,使用最大最小归一化将所有维度的所有像素降维到[0,1]之间,以减少数据大小,提高运算速度和提高精度。使用主成分分析(Principal ComponentAnalysis,PCA)的方法进行降维,高光谱遥感影像维度高、噪声大,使用PCA降维之后,可以减少数据维度和噪声。
S102、从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;
在实际应用中,在考虑小样本的问题下,训练样本的选择不应该过多,每个类别训练样本可以随机选取20个像素,其余所有像素作为测试样本。
S103、使用SLIC分割算法对高光谱遥感影像进行分割,获取分割图;
可以理解的是,SLIC(simple linear iterativeclustering,简单线性迭代聚类)分割算法容易出现过分割,过分割的超像素比起邻域更能充分体现空间相关性。而现有的SLIC分割算法最初是针对自然影像的,尽管有研究根据主成分分析降维方法,将三个主成分分量输入到SLIC方法中,从而获取超像素分割图,为伪标签数据获取奠定基础。但是,无法避免高光谱遥感影像光谱信息丢失,导致分割效果受到限制,从而影响伪标签数据选取精度。因此,在具体实施时,本发明提出的SLIC分割算法是对现有的SLIC分割算法上进行改进后的算法,主要将光谱信息融入到SLIC分割算法中,使用光谱角距离(Spectral AngleDistance,SAD)代替SLIC分割算法中的自然图像的颜色距离,以使相似光谱的像素在空间上聚类。
S104、使用SVM分类器对高光谱遥感影像进行分类,获取初步分类图;
具体地,可以使用每个类型20个训练样本,对其他像素进行分类;
S105、根据分割图和初步分类图,标记伪标签数据;
S106、将伪标签数据和训练样本合并,作为新的训练数据,使用SVM分类器进行二次分类。
在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,首先使用SLIC分割和SVM对影像进行初步分类和分割,然后根据分割图和初步分类图来标记伪标签,最后通过SVM二次分类,这样有效的解决了高光谱遥感影像样本不足的问题,在较少的训练样本的情况下,能够从无标签数据中增加一部分伪标签数据,从而获取更多的训练样本,以达到提高分类精度的目的。
在具体实施时,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,步骤S103使用SLIC分割算法对高光谱遥感影像进行分割,获取分割图,具体可以包括以下步骤:
步骤一、设置高光谱数据X=[x1,x2,...,xN]∈Rd×N,其中d表示维度,N表示像素数;将高光谱遥感影像中的每个像素表示为Ai=[xi,αi,βi]T,其中xi T=[x1,x2,...,xd]T表示第i个像素的光谱数据,d表示维度,[αi,βi]T表示空间向量;
步骤三、计算每一个超像素的均值作为聚类中心,包括光谱维和空间维;
步骤四、计算像素与聚类中心之间的距离;
步骤五、根据计算的距离,更新聚类中心;计算样本到新聚类中心的距离D2,如果D2<D,那就说明j点应该分为和新聚类中心一起;
步骤六、迭代上述步骤,直至聚类中心不再变化或者到达迭代次数,获取高光谱遥感影像的分割图。图3示出了经SLIC分割后获取的分割图。
在具体实施时,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,上述步骤四中计算像素与聚类中心之间的距离,具体可以包括:计算像素的光谱距离和空间距离;根据光谱距离、空间距离、像素的周围邻域范围,以及空间特征和光谱特征的权重系数,计算像素与聚类中心之间的距离。
具体地,可以采用下述公式计算周围2S×2S的邻域内的像素与聚类中心之间的距离:
dc=||xi-xj||2
其中,D表示像素与聚类中心之间的距离,W表示权重系数,由于其表示的是空间特征和光谱特征的权重,所以可以称为空谱权重系数,dc表示光谱距离,ds表示空间距离。
在具体实施时,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,步骤S105根据分割图和初步分类图,标记伪标签数据,具体可以包括以下步骤:
第一步、在分割图中,将所有的超像素分为含有训练样本的超像素和不含训练样本的超像素;
可以理解的是,由于在同一个超像素中,像素之间在空间上是相关的,那么它们的地物类别可能一致,即在分割图中,同一个超像素中的像元的类别更有可能相同,基于这个前提,根据已知的训练样本,将所有的超像素分为两类:超像素中含有已知训练样本的,超像素中不含已知训练样本的。
第二步、对于含有训练样本的超像素,在初步分类图中找出与该超像素中训练样本的类别相同的像素,将找出的像素的分类结果作为伪标签数据;
需要说明的是,对于含有训练样本的超像素,该超像素中无标签的像元的类别很有可能与训练样本的类别相同,利用分类图可以进一步证实。如图4a所示,假设某个超像素中已知训练样本类别为A,如果在这个超像素中,存在像素初始分类结果也为A的像素,将这些像素作为伪标签数据使用。
第三步、对于不含训练样本的超像素,当根据初步分类图判定该超像素中所有像素具有局部同质性时,将该超像素中所有像素的分类结果作为伪标签数据;
需要说明的是,对于不含训练样本的超像素,也可以根据分类图,判断其光谱特征是否相似,如果光谱特征也相似,可以进一步选择伪标签数据。由于小样本问题,大部分超像素不含训练样本,这部分像素标记起来有困难,但是存在一种情况,如图4a所示,在超像素内,所有像素的初始分类结果都相同为A,那么可以认为这些像素具有局部同质性,这个超像素中所有像素的分类结果都可以标记为伪标签。也就是说,在初步分类图中,判断该超像素中所有像素的初始分类结果是否均相同,若是,则判定该超像素中所有像素具有局部同质性,可将该超像素中所有像素的分类结果作为伪标签数据,以增加训练样本个数。图中灰色的部分,都可以标注为类别A。
在执行步骤S106后,可得到分类结果,图5示出了分类结果图,可以看出本发明实施例提供的上述高光谱遥感影像半监督分类方法提高了分类精度,有效的解决了高光谱遥感的半监督分类中样本不足的问题。
基于同一发明构思,本发明实施例还提供了一种高光谱遥感影像半监督分类装置,由于该装置解决问题的原理与前述一种高光谱遥感影像半监督分类方法相似,因此该装置的实施可以参见高光谱遥感影像半监督分类方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的高光谱遥感影像半监督分类装置,如图6所示,具体包括:
影像处理模块11,用于对高光谱遥感影像进行预处理;
样本选取模块12,用于从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;
影像分割模块13,用于使用SLIC分割算法对高光谱遥感影像进行分割,获取分割图;
初步分类模块14,用于使用SVM分类器对高光谱遥感影像进行分类,获取初步分类图;
伪标签标记模块15,用于根据分割图和初步分类图,标记伪标签数据;
二次分类模块16,用于将伪标签数据和训练样本合并,作为新的训练数据,使用SVM分类器进行二次分类。
在本发明实施例提供的上述高光谱遥感影像半监督分类装置中,可以通过上述六个模块的相互作用,有效的解决高光谱遥感影像样本不足的问题,在较少的训练样本的情况下,能够从无标签数据中增加一部分伪标签数据,从而获取更多的训练样本,以达到提高分类精度的目的。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应地,本发明实施例还公开了一种高光谱遥感影像半监督分类设备,包括处理器和存储器;其中,处理器执行存储器中存储的计算机程序时实现前述实施例公开的高光谱遥感影像半监督分类方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步地,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的高光谱遥感影像半监督分类方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上,本发明实施例提供的一种高光谱遥感影像半监督分类方法,包括:对高光谱遥感影像进行预处理;从高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;使用SLIC分割算法对高光谱遥感影像进行分割,获取分割图;使用SVM分类器对高光谱遥感影像进行分类,获取初步分类图;根据分割图和初步分类图,标记伪标签数据;将伪标签数据和训练样本合并,作为新的训练数据,使用SVM分类器进行二次分类。这样有效的解决了高光谱遥感影像样本不足的问题,在较少的训练样本的情况下,能够从无标签数据中增加一部分伪标签数据,从而获取更多的训练样本,以达到提高分类精度的目的。此外,本发明还针对高光谱遥感影像半监督分类方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的高光谱遥感影像半监督分类方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种高光谱遥感影像半监督分类方法,其特征在于,包括:
对高光谱遥感影像进行预处理;
从所述高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;
使用SLIC分割算法对所述高光谱遥感影像进行分割,获取分割图;
使用SVM分类器对所述高光谱遥感影像进行分类,获取初步分类图;
根据所述分割图和所述初步分类图,标记伪标签数据;
将所述伪标签数据和所述训练样本合并,作为新的训练数据,使用所述SVM分类器进行二次分类。
2.根据权利要求1所述的高光谱遥感影像半监督分类方法,其特征在于,在所述SLIC分割算法中,使用光谱角距离代替自然图像的颜色距离,以使相似光谱的像素在空间上聚类。
3.根据权利要求2所述的高光谱遥感影像半监督分类方法,其特征在于,所述使用SLIC分割算法对所述高光谱遥感影像进行分割,获取分割图,包括:
将所述高光谱遥感影像中的每个像素表示为Ai=[xi,αi,βi]T,其中xi T=[x1,x2,...,xd]T表示第i个像素的光谱数据,d表示维度,[αi,βi]T表示空间向量;
根据输入的聚类中心个数,将所述高光谱遥感影像均匀地分为个数与所述聚类中心个数相同的超像素;
计算每一个超像素的均值作为聚类中心,以及计算像素与所述聚类中心之间的距离;
根据计算的所述距离,更新所述聚类中心;
迭代上述步骤,直至所述聚类中心不再变化或者到达迭代次数,获取所述高光谱遥感影像的分割图。
4.根据权利要求3所述的高光谱遥感影像半监督分类方法,其特征在于,所述计算像素与所述聚类中心之间的距离,包括:
计算像素的光谱距离和空间距离;
根据所述光谱距离、所述空间距离、像素的周围邻域范围,以及空间特征和光谱特征的权重系数,计算像素与所述聚类中心之间的距离。
5.根据权利要求4所述的高光谱遥感影像半监督分类方法,其特征在于,所述根据所述分割图和所述初步分类图,标记伪标签数据,包括:
在所述分割图中,将所有的超像素分为含有所述训练样本的超像素和不含所述训练样本的超像素;
对于含有所述训练样本的超像素,在所述初步分类图中找出与该超像素中所述训练样本的类别相同的像素,将找出的像素的分类结果作为伪标签数据;
对于不含所述训练样本的超像素,当根据所述初步分类图判定该超像素中所有像素具有局部同质性时,将该超像素中所有像素的分类结果作为伪标签数据。
6.根据权利要求5所述的高光谱遥感影像半监督分类方法,其特征在于,根据所述初步分类图判定该超像素中所有像素具有局部同质性,包括:
在所述初步分类图中,判断该超像素中所有像素的初始分类结果是否均相同,若是,则判定该超像素中所有像素具有局部同质性。
7.根据权利要求6所述的高光谱遥感影像半监督分类方法,其特征在于,所述对高光谱遥感影像进行预处理,包括:
对高光谱遥感影像进行归一化处理和降维处理。
8.一种高光谱遥感影像半监督分类装置,其特征在于,包括:
影像处理模块,用于对高光谱遥感影像进行预处理;
样本选取模块,用于从所述高光谱遥感影像中每个类别随机选取设定数量的像素作为训练样本;
影像分割模块,用于使用SLIC分割算法对所述高光谱遥感影像进行分割,获取分割图;
初步分类模块,用于使用SVM分类器对所述高光谱遥感影像进行分类,获取初步分类图;
伪标签标记模块,用于根据所述分割图和所述初步分类图,标记伪标签数据;
二次分类模块,用于将所述伪标签数据和所述训练样本合并,作为新的训练数据,使用所述SVM分类器进行二次分类。
9.一种高光谱遥感影像半监督分类设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述的高光谱遥感影像半监督分类方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的高光谱遥感影像半监督分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110818179.1A CN113516194B (zh) | 2021-07-20 | 2021-07-20 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110818179.1A CN113516194B (zh) | 2021-07-20 | 2021-07-20 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516194A true CN113516194A (zh) | 2021-10-19 |
CN113516194B CN113516194B (zh) | 2023-08-08 |
Family
ID=78068317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110818179.1A Active CN113516194B (zh) | 2021-07-20 | 2021-07-20 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516194B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082797A (zh) * | 2022-07-05 | 2022-09-20 | 安徽农业大学 | 一种大田环境下早期小麦赤霉病监测预警方法及系统 |
CN116844649A (zh) * | 2023-08-31 | 2023-10-03 | 杭州木攸目医疗数据有限公司 | 一种可解释的基于基因选择的细胞数据分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108230339A (zh) * | 2018-01-31 | 2018-06-29 | 浙江大学 | 一种基于伪标签迭代标注的胃癌病理切片标注补全方法 |
CN110516754A (zh) * | 2019-08-30 | 2019-11-29 | 大连海事大学 | 一种基于多尺度超像元分割的高光谱图像分类方法 |
CN111695467A (zh) * | 2020-06-01 | 2020-09-22 | 西安电子科技大学 | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 |
CN112036335A (zh) * | 2020-09-03 | 2020-12-04 | 南京农业大学 | 一种反卷积引导的半监督植物叶部病害识别与分割方法 |
US20200394458A1 (en) * | 2019-06-17 | 2020-12-17 | Nvidia Corporation | Weakly-supervised object detection using one or more neural networks |
CN112801008A (zh) * | 2021-02-05 | 2021-05-14 | 电子科技大学中山学院 | 行人重识别方法、装置、电子设备及可读存储介质 |
US20210150281A1 (en) * | 2019-11-14 | 2021-05-20 | Nec Laboratories America, Inc. | Domain adaptation for semantic segmentation via exploiting weak labels |
CN112949572A (zh) * | 2021-03-26 | 2021-06-11 | 重庆邮电大学 | 基于Slim-YOLOv3的口罩佩戴情况检测方法 |
CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-07-20 CN CN202110818179.1A patent/CN113516194B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108230339A (zh) * | 2018-01-31 | 2018-06-29 | 浙江大学 | 一种基于伪标签迭代标注的胃癌病理切片标注补全方法 |
US20200394458A1 (en) * | 2019-06-17 | 2020-12-17 | Nvidia Corporation | Weakly-supervised object detection using one or more neural networks |
CN110516754A (zh) * | 2019-08-30 | 2019-11-29 | 大连海事大学 | 一种基于多尺度超像元分割的高光谱图像分类方法 |
US20210150281A1 (en) * | 2019-11-14 | 2021-05-20 | Nec Laboratories America, Inc. | Domain adaptation for semantic segmentation via exploiting weak labels |
CN111695467A (zh) * | 2020-06-01 | 2020-09-22 | 西安电子科技大学 | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 |
CN112036335A (zh) * | 2020-09-03 | 2020-12-04 | 南京农业大学 | 一种反卷积引导的半监督植物叶部病害识别与分割方法 |
CN112801008A (zh) * | 2021-02-05 | 2021-05-14 | 电子科技大学中山学院 | 行人重识别方法、装置、电子设备及可读存储介质 |
CN112949572A (zh) * | 2021-03-26 | 2021-06-11 | 重庆邮电大学 | 基于Slim-YOLOv3的口罩佩戴情况检测方法 |
CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (8)
Title |
---|
BINGE CUI等: "Semi-Supervised Classification of Hyperspectral Images Based on Extended Label Propagation and Rolling Guidance Filtering", 《REMOTE SENS》 * |
BINGE CUI等: "Semi-Supervised Classification of Hyperspectral Images Based on Extended Label Propagation and Rolling Guidance Filtering", 《REMOTE SENS》, vol. 10, no. 4, 25 March 2018 (2018-03-25), pages 7, XP055879389, DOI: 10.3390/rs10040515 * |
LIU H等: "Large polarimetric SAR data semi-supervised classification with spatial-anchor graph", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 9, no. 4, pages 1439 - 1458, XP011609112, DOI: 10.1109/JSTARS.2016.2518675 * |
刘丽丽等: "基于伪标签深度学习的高光谱影像半监督分类", 《计算机工程与应用》, vol. 55, no. 17, pages 191 - 198 * |
徐锐等: "面向对象的高光谱遥感影像稀疏表示分类", 《测绘工程》 * |
徐锐等: "面向对象的高光谱遥感影像稀疏表示分类", 《测绘工程》, no. 04, 26 March 2018 (2018-03-26), pages 74 - 78 * |
谭琨等: "结合深度学习和半监督学习的遥感影像分类进展", 《中国图象图形学报》 * |
谭琨等: "结合深度学习和半监督学习的遥感影像分类进展", 《中国图象图形学报》, vol. 24, no. 11, 16 November 2019 (2019-11-16), pages 1823 - 1841 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082797A (zh) * | 2022-07-05 | 2022-09-20 | 安徽农业大学 | 一种大田环境下早期小麦赤霉病监测预警方法及系统 |
CN115082797B (zh) * | 2022-07-05 | 2023-08-22 | 安徽农业大学 | 一种大田环境下早期小麦赤霉病监测预警方法及系统 |
CN116844649A (zh) * | 2023-08-31 | 2023-10-03 | 杭州木攸目医疗数据有限公司 | 一种可解释的基于基因选择的细胞数据分析方法 |
CN116844649B (zh) * | 2023-08-31 | 2023-11-21 | 杭州木攸目医疗数据有限公司 | 一种可解释的基于基因选择的细胞数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113516194B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2701098B1 (en) | Region refocusing for data-driven object localization | |
WO2023000160A1 (zh) | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 | |
Yang et al. | Superpixel-based unsupervised band selection for classification of hyperspectral images | |
Smits et al. | Updating land-cover maps by using texture information from very high-resolution space-borne imagery | |
Kim et al. | Color–texture segmentation using unsupervised graph cuts | |
CN113360701B (zh) | 一种基于知识蒸馏的素描图处理方法及其系统 | |
CN111126258A (zh) | 图像识别方法及相关装置 | |
CN113516194B (zh) | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 | |
CN104850822B (zh) | 基于多特征融合的简单背景下的叶片识别方法 | |
KR20080021181A (ko) | 영상 데이터 처리 방법 및 그에 따른 시스템 | |
CN109213886B (zh) | 基于图像分割和模糊模式识别的图像检索方法及系统 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN111259808A (zh) | 一种基于改进ssd算法的交通标识的检测识别方法 | |
CN111814821A (zh) | 深度学习模型的建立方法、样本处理方法及装置 | |
CN109712149A (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
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 | |
Bressane et al. | Statistical analysis of texture in trunk images for biometric identification of tree species | |
Koc-San et al. | Support vector machines classification for finding building patches from IKONOS imagery: the effect of additional bands | |
JP3819236B2 (ja) | パターン認識方法及びパターン認識を行わせるプログラムを記憶したコンピュータ読み取り可能な記憶媒体 | |
Zhang et al. | Saliency detection via image sparse representation and color features combination | |
CN113297411A (zh) | 轮形图谱相似性的度量方法、装置、设备及存储介质 | |
Al Saidi et al. | Completed homogeneous LBP for remote sensing image classification | |
Sun et al. | Contextual models for automatic building extraction in high resolution remote sensing image using object-based boosting method | |
CN105139026B (zh) | 高光谱分类中光谱域空间域联合相关约束的特征抽取方法 |
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 |