CN113836996B - 高光谱遥感图像部分迁移方法及系统 - Google Patents
高光谱遥感图像部分迁移方法及系统 Download PDFInfo
- Publication number
- CN113836996B CN113836996B CN202110914405.6A CN202110914405A CN113836996B CN 113836996 B CN113836996 B CN 113836996B CN 202110914405 A CN202110914405 A CN 202110914405A CN 113836996 B CN113836996 B CN 113836996B
- Authority
- CN
- China
- Prior art keywords
- domain data
- data
- target domain
- source domain
- source
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 34
- 230000005012 migration Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000006978 adaptation Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013526 transfer learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F18/24—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
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 Processing (AREA)
Abstract
本发明涉及遥感图像处理技术领域,提供一种高光谱遥感图像部分迁移方法及系统,包括:S1:获得源域数据Xs和目标域数据Xt,获取源域数据的标签信息Ys;S2:获取源域训练数据S3:获得边缘分布自适应后的源域数据和边缘分布自适应后的目标域数据S4:训练获得目标域数据的伪标签S5:获得条件分布自适应后的源域数据和条件分布自适应后的目标域数据X't;S6:计算获得最终的目标域数据的预测标签本发明有效解决部分迁移中因源域数据的地物类别比目标域多而带来的负迁移;分布自适应依赖的一阶统计特性代表了地物的平均光谱属性,可以使两个领域的数据有效对齐;使用的目标域数据不带有任何标签信息,降低了获取标记样本的难度。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种高光谱遥感图像部分迁移方法及系统。
背景技术
高光谱遥感图像分类是对一幅高光谱遥感图像中的地面物体的光谱信息和空间信息进行分析,再通过特征选择,将高光谱遥感图像中的各个像素点按不同的特征划分为不同的类别,以此来得到高光谱遥感图像对应的地面物体的类别信息。在高光谱遥感图像分类领域,现在面临的问题一是获取样本的类别标签困难,需要花费大量的人力、物力去标记,如何在只有少量标记样本的情景下实现高光谱遥感图像分类成为了当前亟待解决的难题;二是由于高光谱遥感图像采集的时间不同、不同批次的图像拍摄的角度不同等原因,获取到的高光谱遥感数据通常是不同分布的。由于传统机器学习算法要求数据同分布,且需要足够多的标记样本,因而在数据不同分布的情况下,传统的机器学习不能很好地解决高光谱遥感图像分类中的问题。
迁移学习是将从已有的领域中学习到的知识应用到新的相关领域解决问题的一种机器学习算法,其目的是把已有知识迁移到新领域,学习一个适用于新数据的分类器,能够对新的数据有很好的分类效果。迁移学习能够解决训练数据和测试数据不是同分布的问题,因此,它能够很好地解决现有的遥感图像分类领域存在的问题,是一种十分有效的分类算法。在迁移学习算法中,通常假设带有类别标签的旧数据称为源域数据,缺乏标记样本的待分类的数据称为目标域数据,并且源域数据和目标域数据的地物类型是一致的。但实际场景中,我们往往只知道源域数据类别,不知道目标域数据类别。我们将在目标域数据类别是源域数据类别的子集这一特殊情景下实现的迁移学习算法称为部分迁移学习,研究部分迁移学习的分类问题具有重要的现实意义。
部分迁移学习的目的就是利用已有的大量的标记样本来对未知类别的数据进行分类,即假设已有的源域数据足够丰富,源域本身就包含了目标域的类别,用类别较多的源域数据去分类类别较少的目标域数据,得到目标域数据的类别标签。现有的迁移学习算法通常是将整个源域与目标域对齐,由于源域和目标域数据类别不匹配,因此容易出现负迁移现象。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于,解决现有技术中,由于源域和目标域数据类别不匹配,容易出现负迁移现象的技术问题。
为实现上述目的,本发明提供一种高光谱遥感图像部分迁移方法,包括:
S1:获取遥感图像,根据所述遥感图像获得源域数据Xs和目标域数据Xt,获取所述源域数据的标签信息Ys;
S2:挑选所述源域数据Xs中与所述目标域数据Xt近邻的源域训练数据
S3:对所述源域训练数据和所述目标域数据Xt进行整体中心对齐处理,获得边缘分布自适应后的源域数据/>和边缘分布自适应后的目标域数据/>
S4:通过所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据/>训练支持向量机分类器获得目标域数据的伪标签/>
S5:根据所述源域数据的标签信息Ys和所述目标域数据的伪标签对所述边缘分布自适应后的源域数据/>和所述边缘分布自适应后的目标域数据/>进行数据中心对齐处理,获得条件分布自适应后的源域数据/>和条件分布自适应后的目标域数据X't;
S6:通过所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算获得最终的目标域数据的预测标签/>
优选地,步骤S1中,所述源域数据Xs是源域图像的数据集合,共n个源域数据点,每个所述源域数据点的维度为D,所述源域数据Xs使用n*D的向量表示;所述源域数据Xs带有类别标签,所述标签信息表示为Ys,使用n*1的向量表示;
所述目标域数据Xt是目标域图像的数据集合,共m个目标域数据点,每个所述目标域数据点的维度为D,所述目标域数据Xt使用m*D的向量表示;
所述源域数据Xs具有Cs种地物类型,表示为Ω=[Ω1,…,Ωi],其中Ωi为源域图像的第i类地物类型,i=1,…,Cs;
所述目标域数据Xt具有Ct种地物类型,表示为Ω=[Ω1,…,Ωj],其中Ωj为目标域图像的第j类地物类型,j=1,…,Ct,Ct<Cs。
优选地,步骤S2具体为:
S21:计算所述源域数据Xs中各数据点到所述目标域数据Xt中各数据点之间的光谱距离Kij,所有的光谱距离排列获得大小为Cs*Ct的相似性度量矩阵K;
S22:将所述相似性度量矩阵K的每一行中光谱距离最小的前9个数据点挑选出来,其集合作为所述源域训练数据
优选地,步骤S21中,所述光谱距离Kij的计算公式为:
其中,xsi表示第i类地物类型对应的源域数据点,xtj表示第j类地物类型对应的目标域数据点,对两个数据点之间的光谱距离差求平方;σ是核函数的参数,这里设置σ=1;exp()表示数学常数e的指数函数,括号里的值为指数。
优选地,步骤S3具体为:
S31:使用最大均值差异表示所述源域数据Xs和所述目标域数据Xt之间的距离度量,目标函数如下式:
D(Xs,Xt)=tr(ATXM0XTA)
其中,M0表示整体最大均值差异矩阵,A为整体变换矩阵,tr()表示求矩阵的迹,D()表示源域和目标域之间的距离度量;
M0的构造方式为:
其中,n为源域数据的样本数量,m为目标域数据的样本数量;
S32:通过求解上述目标函数获得整体变换矩阵A,通过所述整体变换矩阵A计算获得所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据/>计算公式如下:
优选地,步骤S4具体为:
S41:通过所述边缘分布自适应后的源域数据训练支持向量机分类器,获得训练好的支持向量机分类器;
S42:将所述训练好的支持向量机分类器对所述边缘分布自适应后的目标域数据进行分类,获得所述目标域数据的伪标签/>
优选地,步骤S5具体为:
S51:使用最大均值差异表示所述源域数据Xs中各类数据点和所述目标域数据Xt中各类数据点之间的距离度量,目标函数如下式:
其中,Mc表示各类最大均值差异矩阵,B表示各类变换矩阵,tr()表示求矩阵的迹,D()表示源域和目标域之间的距离度量;
源域数据的类别信息由所述源域数据的标签信息Ys提供,目标域数据的类别信息由所述目标域数据的伪标签提供,Mc的构造方式为:
其中,nc为源域第c类数据的样本点数,mc为目标域第c类数据的样本点数,表示源域第c类数据的集合,/>表示目标域第c类数据的集合;
S52:通过求解上述目标函数获得各类变换矩阵B,通过所述各类变换矩阵B计算获得所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算公式如下:
优选地,步骤S6具体为:
S61:通过所述条件分布自适应后的源域数据训练支持向量机分类器,获得训练好的支持向量机分类器;
S62:通过所述训练好的支持向量机分类器对所述条件分布自适应后的目标域数据X′t进行训练,获得目标域数据的预测标签;
S63:重复步骤S5-S62,直至所述目标域数据的预测标签达到收敛条件,获得所述最终的目标域数据的预测标签
一种高光谱遥感图像部分迁移系统,包括以下模块:
数据集获取模块,用于获取遥感图像,根据所述遥感图像获得源域数据Xs和目标域数据Xt,获取所述源域数据的标签信息Ys;
源域训练数据获取模块,用于挑选所述源域数据Xs中与所述目标域数据Xt近邻的源域训练数据
整体中心对齐处理模块,用于对所述源域训练数据和所述目标域数据Xt进行整体中心对齐处理,获得边缘分布自适应后的源域数据/>和边缘分布自适应后的目标域数据/>
分类标签获取模块,用于通过所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据/>训练支持向量机分类器获得目标域数据的伪标签/>
数据中心对齐处理模块,用于根据所述源域数据的标签信息Ys和所述目标域数据的伪标签对所述边缘分布自适应后的源域数据/>和所述边缘分布自适应后的目标域数据/>进行数据中心对齐处理,获得条件分布自适应后的源域数据/>和条件分布自适应后的目标域数据X't;
预测标签获取模块,用于通过所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算获得最终的目标域数据的预测标签/>
本发明具有以下有益效果:
1、有效解决部分迁移中因源域数据的地物类别比目标域多而带来的负迁移;
2、分布自适应依赖的一阶统计特性代表了地物的平均光谱属性,可以使两个领域的数据有效对齐;
3、使用的目标域数据不带有任何标签信息,降低了获取标记样本的难度。
附图说明
图1为本发明实施例方法流程图;
图2为本发明实施例系统结构图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,为了解决现有迁移学习方法的不足,本发明提供一种高光谱遥感图像部分迁移方法,从源域中挑选出来一部分与目标域分布差异较小的数据点与目标域数据进行对齐,很好地避免了因无关样本太多导致的负迁移;
包括以下步骤:
S1:获取遥感图像,根据所述遥感图像获得源域数据Xs和目标域数据Xt,获取所述源域数据的标签信息Ys;
S2:挑选所述源域数据Xs中与所述目标域数据Xt近邻的源域训练数据
S3:对所述源域训练数据和所述目标域数据Xt进行整体中心对齐处理,获得边缘分布自适应后的源域数据/>和边缘分布自适应后的目标域数据/>
S4:通过所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据/>训练支持向量机分类器获得目标域数据的伪标签/>
S5:根据所述源域数据的标签信息Ys和所述目标域数据的伪标签对所述边缘分布自适应后的源域数据/>和所述边缘分布自适应后的目标域数据/>进行数据中心对齐处理,获得条件分布自适应后的源域数据/>和条件分布自适应后的目标域数据X't;
S6:通过所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算获得最终的目标域数据的预测标签/>
本实施例中,步骤S1中,所述源域数据Xs是源域图像的数据集合,共n个源域数据点,每个所述源域数据点的维度为D,所述源域数据Xs使用n*D的向量表示;所述源域数据Xs带有类别标签,所述标签信息表示为Ys,使用n*1的向量表示;
所述目标域数据Xt是目标域图像的数据集合,共m个目标域数据点,每个所述目标域数据点的维度为D,所述目标域数据Xt使用m*D的向量表示;
所述源域数据Xs具有Cs种地物类型,表示为Ω=[Ω1,…,Ωi],其中Ωi为源域图像的第i类地物类型,i=1,…,Cs;
所述目标域数据Xt具有Ct种地物类型,表示为Ω=[Ω1,…,Ωj],其中Ωj为目标域图像的第j类地物类型,j=1,…,Ct,Ct<Cs。
本实施例中,步骤S2具体为:
S21:计算所述源域数据Xs中各数据点到所述目标域数据Xt中各数据点之间的光谱距离Kij,所有的光谱距离排列获得大小为Cs*Ct的相似性度量矩阵K;矩阵K的某一个值Kij代表着源域数据点xsi到目标域数据点xtj之间的光谱距离,对此距离进行降序排序就能得到源域各数据点与目标域各数据点之间的相似程度;
S22:将所述相似性度量矩阵K的每一行中光谱距离最小的前9个数据点挑选出来,其集合作为所述源域训练数据
本实施例中,步骤S21中,所述光谱距离Kij的计算公式为:
其中,xsi表示第i类地物类型对应的源域数据点,xtj表示第j类地物类型对应的目标域数据点,对两个数据点之间的光谱距离差求平方;σ是核函数的参数,这里设置σ=1;exp()表示数学常数e的指数函数,括号里的值为指数。
本实施例中,步骤S3具体为:
S31:要实现源域数据与目标域数据的边缘分布自适应,就是要使两域数据的整体分布差异尽可能小,使用最大均值差异表示所述源域数据Xs和所述目标域数据Xt之间的距离度量,目标函数如下式:
D(Xs,Xt)=tr(ATXM0XTA)
其中,M0表示整体最大均值差异矩阵,A为整体变换矩阵,tr()表示求矩阵的迹,D()表示源域和目标域之间的距离度量;
M0的构造方式为:
其中,n为源域数据的样本数量,m为目标域数据的样本数量;
S32:通过求解上述目标函数获得整体变换矩阵A,通过所述整体变换矩阵A计算获得所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据/>计算公式如下:
本实施例中,步骤S4具体为:
S41:通过所述边缘分布自适应后的源域数据训练支持向量机分类器,获得训练好的支持向量机分类器;
S42:将所述训练好的支持向量机分类器对所述边缘分布自适应后的目标域数据进行分类,获得所述目标域数据的伪标签/>
本实施例中,步骤S5具体为:
S51:为了实现源域数据与目标域数据的条件分布自适应,使用最大均值差异表示所述源域数据Xs中各类数据点和所述目标域数据Xt中各类数据点之间的距离度量,目标函数如下式:
其中,Mc表示各类最大均值差异矩阵,B表示各类变换矩阵,tr()表示求矩阵的迹,D()表示源域和目标域之间的距离度量;
源域数据的类别信息由所述源域数据的标签信息Ys提供,目标域数据的类别信息由所述目标域数据的伪标签提供,Mc的构造方式为:
其中,nc为源域第c类数据的样本点数,mc为目标域第c类数据的样本点数,表示源域第c类数据的集合,/>表示目标域第c类数据的集合;
S52:通过求解上述目标函数获得各类变换矩阵B,通过所述各类变换矩阵B计算获得所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算公式如下:
本实施例中,步骤S6具体为:
S61:通过所述条件分布自适应后的源域数据训练支持向量机分类器,获得训练好的支持向量机分类器;
S62:通过所述训练好的支持向量机分类器对所述条件分布自适应后的目标域数据X′t进行训练,获得目标域数据的预测标签;
S63:重复步骤S5-S62,直至所述目标域数据的预测标签达到收敛条件,获得所述最终的目标域数据的预测标签
其中,获得最终的目标域数据的预测标签指目标域数据的预测标签达到收敛条件,即连续5次目标域数据的预测标签对应的总体分类精度变化小于阈值T,阈值T取值为0.005。
为证明上述高光谱遥感图像部分迁移方法的有效性,采用一组多时相高光谱遥感数据为例进行说明。
实验采用的多时相高光谱遥感图像,是由EO-1观测卫星搭载的Hyperion传感器分别于2001年5月,6月,和7月在Okavango Delta,Botswana(BOT)地区采集。该数据具有242个波段,光谱范围是357~2576纳米,具有10纳米的光谱分辨率和30×30㎡的空间分辨率,去除未校准波段,噪声波段,以及光谱重叠波段,剩余145个波段进行实验。该地区包括湿地和高地两个生态系统,包含9种地物类别,分别是:
第1类:水;
第2类:泛洪区;
第3类:河岸;
第4类:树木烧焦区;
第5类:岛屿;
第6类:林地;
第7类:热带草原植被;
第8类:短阔叶树;
第9类:裸土。
对BOT三幅影像,我们可以选择一幅作为源域图像,另外一幅作为目标域图像,针对部分迁移场景,我们在目标域图像中随机选取3个类别组成目标域数据,也就是源域9个地物类别对目标域3个地物类别进行分类。例如“5月-6月238”表示5月份BOT图像作为源域数据,6月份BOT图像的第2、3、8类地物类别作为目标域数据。这样,我们可以有六组实验数据,分别表示为“5月-6月238”、“6月-5月356”、“5月-7月236”、“7月-5月148”、“6月-7月236”、“7月-6月369”。
将本发明提供的高光谱遥感图像部分迁移方法(NSDA)与不迁移情况下的SVM分类器、子空间对齐算法(Subspace Alignment,SA)、流形对齐算法(Manifold Alignment,MA)以及联合分布自适应算法(Joint Distribution Adaptation,JDA)进行对比,表1给出了五种方法在六组实验数据上的总体分类精度(Overall Accuracy,OA)以及卡帕系数:
表1本发明与经典迁移学习算法在BOT数据上的总体分类精度和卡帕系数
通过分析可以得到如下结论:(1)与不迁移的SVM分类器相比,NSDA在总体精度上有显著的提高,证明了本发明提出的高光谱遥感图像部分迁移方法的有效性;(2)在所有数据集上,相较于SA、MA和JDA,本发明提供的高光谱遥感图像部分迁移方法能够获得更高的总体分类精度,针对部分迁移场景具有更强的迁移学习能力。
参考图2,本发明提供一种高光谱遥感图像部分迁移系统,包括以下模块:
数据集获取模块10,用于获取遥感图像,根据所述遥感图像获得源域数据Xs和目标域数据Xt,获取所述源域数据的标签信息Ys;
源域训练数据获取模块20,用于挑选所述源域数据Xs中与所述目标域数据Xt近邻的源域训练数据
整体中心对齐处理模块30,用于对所述源域训练数据和所述目标域数据Xt进行整体中心对齐处理,获得边缘分布自适应后的源域数据/>和边缘分布自适应后的目标域数据/>
分类标签获取模块40,用于通过所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据/>训练支持向量机分类器获得目标域数据的伪标签/>
数据中心对齐处理模块50,用于根据所述源域数据的标签信息Ys和所述目标域数据的伪标签对所述边缘分布自适应后的源域数据/>和所述边缘分布自适应后的目标域数据/>进行数据中心对齐处理,获得条件分布自适应后的源域数据/>和条件分布自适应后的目标域数据X't;
预测标签获取模块60,用于通过所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算获得最终的目标域数据的预测标签/>
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种高光谱遥感图像部分迁移方法,其特征在于,包括:
S1:获取遥感图像,根据所述遥感图像获得源域数据Xs和目标域数据Xt,获取所述源域数据的标签信息Ys;
S2:挑选所述源域数据Xs中与所述目标域数据Xt近邻的源域训练数据
S3:对所述源域训练数据和所述目标域数据Xt进行整体中心对齐处理,获得边缘分布自适应后的源域数据/>和边缘分布自适应后的目标域数据/>
S4:通过所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据训练支持向量机分类器获得目标域数据的伪标签/>
S5:根据所述源域数据的标签信息Ys和所述目标域数据的伪标签对所述边缘分布自适应后的源域数据/>和所述边缘分布自适应后的目标域数据/>进行数据中心对齐处理,获得条件分布自适应后的源域数据/>和条件分布自适应后的目标域数据X't;
S6:通过所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算获得最终的目标域数据的预测标签/>
步骤S1中,所述源域数据Xs是源域图像的数据集合,共n个源域数据点,每个所述源域数据点的维度为D,所述源域数据Xs使用n*D的向量表示;所述源域数据Xs带有类别标签,标签信息表示为Ys,使用n*1的向量表示;
所述目标域数据Xt是目标域图像的数据集合,共m个目标域数据点,每个所述目标域数据点的维度为D,所述目标域数据Xt使用m*D的向量表示;
所述源域数据Xs具有Cs种地物类型,表示为Ω=[Ω1,…,Ωi],其中Ωi为源域图像的第i类地物类型,i=1,…,Cs;
所述目标域数据Xt具有Ct种地物类型,表示为Ω=[Ω1,…,Ωj],其中Ωj为目标域图像的第j类地物类型,j=1,…,Ct,Ct<Cs;
步骤S2具体为:
S21:计算所述源域数据Xs中各数据点到所述目标域数据Xt中各数据点之间的光谱距离Kij,所有的光谱距离排列获得大小为Cs*Ct的相似性度量矩阵K;
S22:将所述相似性度量矩阵K的每一行中光谱距离最小的前9个数据点挑选出来,其集合作为所述源域训练数据
步骤S4具体为:
S41:通过所述边缘分布自适应后的源域数据训练支持向量机分类器,获得训练好的支持向量机分类器;
S42:将所述训练好的支持向量机分类器对所述边缘分布自适应后的目标域数据进行分类,获得所述目标域数据的伪标签/>
步骤S6具体为:
S61:通过所述条件分布自适应后的源域数据训练支持向量机分类器,获得训练好的支持向量机分类器;
S62:通过所述训练好的支持向量机分类器对所述条件分布自适应后的目标域数据X′t进行训练,获得目标域数据的预测标签;
S63:重复步骤S5-S62,直至所述目标域数据的预测标签达到收敛条件,获得所述最终的目标域数据的预测标签
2.根据权利要求1所述的高光谱遥感图像部分迁移方法,其特征在于,步骤S21中,所述光谱距离Kij的计算公式为:
其中,xsi表示第i类地物类型对应的源域数据点,xtj表示第j类地物类型对应的目标域数据点,对两个数据点之间的光谱距离差求平方;σ是核函数的参数,这里设置σ=1;exp()表示数学常数e的指数函数,括号里的值为指数。
3.根据权利要求1所述的高光谱遥感图像部分迁移方法,其特征在于,步骤S3具体为:
S31:使用最大均值差异表示所述源域数据Xs和所述目标域数据Xt之间的距离度量,目标函数如下式:
D(Xs,Xt)=tr(ATXM0XTA)
其中,M0表示整体最大均值差异矩阵,A为整体变换矩阵,tr()表示求矩阵的迹,D()表示源域和目标域之间的距离度量;
M0的构造方式为:
其中,n为源域数据的样本数量,m为目标域数据的样本数量;
S32:通过求解上述目标函数获得整体变换矩阵A,通过所述整体变换矩阵A计算获得所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据/>计算公式如下:
4.根据权利要求1所述的高光谱遥感图像部分迁移方法,其特征在于,步骤S5具体为:
S51:使用最大均值差异表示所述源域数据Xs中各类数据点和所述目标域数据Xt中各类数据点之间的距离度量,目标函数如下式:
其中,Mc表示各类最大均值差异矩阵,B表示各类变换矩阵,tr()表示求矩阵的迹,D()表示源域和目标域之间的距离度量;
源域数据的类别信息由所述源域数据的标签信息Ys提供,目标域数据的类别信息由所述目标域数据的伪标签提供,Mc的构造方式为:
其中,nc为源域第c类数据的样本点数,mc为目标域第c类数据的样本点数,表示源域第c类数据的集合,/>表示目标域第c类数据的集合;
S52:通过求解上述目标函数获得各类变换矩阵B,通过所述各类变换矩阵B计算获得所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算公式如下:
5.一种高光谱遥感图像部分迁移系统,其特征在于,包括以下模块:
数据集获取模块,用于获取遥感图像,根据所述遥感图像获得源域数据Xs和目标域数据Xt,获取所述源域数据的标签信息Ys;
源域训练数据获取模块,用于挑选所述源域数据Xs中与所述目标域数据Xt近邻的源域训练数据
整体中心对齐处理模块,用于对所述源域训练数据和所述目标域数据Xt进行整体中心对齐处理,获得边缘分布自适应后的源域数据/>和边缘分布自适应后的目标域数据/>
分类标签获取模块,用于通过所述边缘分布自适应后的源域数据和所述边缘分布自适应后的目标域数据/>训练支持向量机分类器获得目标域数据的伪标签/>
数据中心对齐处理模块,用于根据所述源域数据的标签信息Ys和所述目标域数据的伪标签对所述边缘分布自适应后的源域数据/>和所述边缘分布自适应后的目标域数据进行数据中心对齐处理,获得条件分布自适应后的源域数据/>和条件分布自适应后的目标域数据X't;
预测标签获取模块,用于通过所述条件分布自适应后的源域数据和所述条件分布自适应后的目标域数据X′t,计算获得最终的目标域数据的预测标签/>
数据集获取模块中,所述源域数据Xs是源域图像的数据集合,共n个源域数据点,每个所述源域数据点的维度为D,所述源域数据Xs使用n*D的向量表示;所述源域数据Xs带有类别标签,标签信息表示为Ys,使用n*1的向量表示;
所述目标域数据Xt是目标域图像的数据集合,共m个目标域数据点,每个所述目标域数据点的维度为D,所述目标域数据Xt使用m*D的向量表示;
所述源域数据Xs具有Cs种地物类型,表示为Ω=[Ω1,…,Ωi],其中Ωi为源域图像的第i类地物类型,i=1,…,Cs;
所述目标域数据Xt具有Ct种地物类型,表示为Ω=[Ω1,…,Ωj],其中Ωj为目标域图像的第j类地物类型,j=1,…,Ct,Ct<Cs;
源域训练数据获取模块的工作流程具体为:
S21:计算所述源域数据Xs中各数据点到所述目标域数据Xt中各数据点之间的光谱距离Kij,所有的光谱距离排列获得大小为Cs*Ct的相似性度量矩阵K;
S22:将所述相似性度量矩阵K的每一行中光谱距离最小的前9个数据点挑选出来,其集合作为所述源域训练数据
分类标签获取模块的工作流程具体为:
S41:通过所述边缘分布自适应后的源域数据训练支持向量机分类器,获得训练好的支持向量机分类器;
S42:将所述训练好的支持向量机分类器对所述边缘分布自适应后的目标域数据进行分类,获得所述目标域数据的伪标签/>
预测标签获取模块的工作流程具体为:
S61:通过所述条件分布自适应后的源域数据训练支持向量机分类器,获得训练好的支持向量机分类器;
S62:通过所述训练好的支持向量机分类器对所述条件分布自适应后的目标域数据X′t进行训练,获得目标域数据的预测标签;
S63:重复步骤S5-S62,直至所述目标域数据的预测标签达到收敛条件,获得所述最终的目标域数据的预测标签
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914405.6A CN113836996B (zh) | 2021-08-10 | 2021-08-10 | 高光谱遥感图像部分迁移方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914405.6A CN113836996B (zh) | 2021-08-10 | 2021-08-10 | 高光谱遥感图像部分迁移方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836996A CN113836996A (zh) | 2021-12-24 |
CN113836996B true CN113836996B (zh) | 2024-02-02 |
Family
ID=78963150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110914405.6A Active CN113836996B (zh) | 2021-08-10 | 2021-08-10 | 高光谱遥感图像部分迁移方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836996B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469109A (zh) * | 2015-11-19 | 2016-04-06 | 中国地质大学(武汉) | 一种用于遥感图像分类的基于类心对齐的迁移学习方法 |
CN107273853A (zh) * | 2017-06-16 | 2017-10-20 | 中国地质大学(武汉) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 |
CN110210545A (zh) * | 2019-05-27 | 2019-09-06 | 河海大学 | 基于迁移学习的红外遥感水体分类器构建方法 |
CN110378366A (zh) * | 2019-06-04 | 2019-10-25 | 广东工业大学 | 一种基于耦合知识迁移的跨域图像分类方法 |
CN111860236A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于迁移学习的小样本遥感目标检测方法及系统 |
WO2021003951A1 (zh) * | 2019-07-08 | 2021-01-14 | 南京信息工程大学 | 一种基于标签约束弹性网图模型的高光谱图像分类方法 |
CN112861662A (zh) * | 2021-01-22 | 2021-05-28 | 平安科技(深圳)有限公司 | 基于人脸和交互文本的目标对象行为预测方法及相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7336817B2 (en) * | 2005-06-20 | 2008-02-26 | Microsoft Corporation | Processing raw and pre-processed digital images |
CA2617119A1 (en) * | 2008-01-08 | 2009-07-08 | Pci Geomatics Enterprises Inc. | Service oriented architecture for earth observation image processing |
-
2021
- 2021-08-10 CN CN202110914405.6A patent/CN113836996B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469109A (zh) * | 2015-11-19 | 2016-04-06 | 中国地质大学(武汉) | 一种用于遥感图像分类的基于类心对齐的迁移学习方法 |
CN107273853A (zh) * | 2017-06-16 | 2017-10-20 | 中国地质大学(武汉) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 |
CN110210545A (zh) * | 2019-05-27 | 2019-09-06 | 河海大学 | 基于迁移学习的红外遥感水体分类器构建方法 |
CN110378366A (zh) * | 2019-06-04 | 2019-10-25 | 广东工业大学 | 一种基于耦合知识迁移的跨域图像分类方法 |
WO2021003951A1 (zh) * | 2019-07-08 | 2021-01-14 | 南京信息工程大学 | 一种基于标签约束弹性网图模型的高光谱图像分类方法 |
CN111860236A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于迁移学习的小样本遥感目标检测方法及系统 |
CN112861662A (zh) * | 2021-01-22 | 2021-05-28 | 平安科技(深圳)有限公司 | 基于人脸和交互文本的目标对象行为预测方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
基于流形对齐的高光谱遥感图像降维和分类算法;鲁锦涛;马丽;;国土资源遥感(第01期);第107-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113836996A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Prakash et al. | Detection of leaf diseases and classification using digital image processing | |
CN108280396B (zh) | 基于深度多特征主动迁移网络的高光谱图像分类方法 | |
Yang et al. | High-throughput soybean seeds phenotyping with convolutional neural networks and transfer learning | |
Mahmon et al. | A review on classification of satellite image using Artificial Neural Network (ANN) | |
CN105956612B (zh) | 基于主动学习和半监督学习的高光谱图像分类方法 | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
Gebhardt et al. | A new algorithm for automatic Rumex obtusifolius detection in digital images using colour and texture features and the influence of image resolution | |
CN107194423B (zh) | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN108830312B (zh) | 一种基于样本自适应扩充的集成学习方法 | |
CN104463229B (zh) | 基于相关系数冗余度的高光谱数据有监督分类方法 | |
CN110598636B (zh) | 一种基于特征迁移的舰船目标识别方法 | |
CN113030197B (zh) | 一种气体传感器漂移补偿方法 | |
Yang et al. | A synthetic datasets based instance segmentation network for High-throughput soybean pods phenotype investigation | |
CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
Farooq et al. | Transferable convolutional neural network for weed mapping with multisensor imagery | |
CN109614928B (zh) | 基于有限训练数据的熊猫脸部识别方法 | |
CN113076969B (zh) | 基于混合高斯损失函数的图像目标检测方法 | |
Faghih et al. | Multi-objective optimization based color constancy | |
CN113836996B (zh) | 高光谱遥感图像部分迁移方法及系统 | |
CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
CN116977744A (zh) | 基于对比学习与子空间的小样本跨域高光谱图像分类方法 | |
CN112966710B (zh) | 基于线性判别分析的fy-3d红外高光谱云检测方法 | |
Han et al. | Robust and efficient vanishing point detection in unstructured road scenes for assistive navigation |
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 |