一种高光谱遥感图像分类方法、设备及存储设备技术

本发明专利技术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。本发明专利技术的有益效果：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。

A hyperspectral remote sensing image classification method, equipment and storage equipment

The invention provides a method of hyperspectral remote sensing image classification method, equipment and storage equipment, learning in the target domain training samples by using the basic classifier; classification model; source domain of training samples for classification; selected classification markers and real markers consistent training samples, and migrate to the target of training samples in the domain of; to determine whether they meet the preset condition; if it does not satisfy the preset conditions, then follow the steps above; if it satisfies the preset condition, through the integrated learning method, to get the final classification model; hyperspectral remote sensing image to classify the selected test area. A hyperspectral remote sensing image classification device and storage device for the realization of a hyperspectral remote sensing image classification method. The beneficial effects of the invention are as follows: by designing an integrated transfer learning framework, the training samples of the source domain are migrated to the training samples of the target domain, which improves the number of training samples in the target area, and improves the training speed, the stability and the classification accuracy of the classification models.

【技术实现步骤摘要】
一种高光谱遥感图像分类方法、设备及存储设备
本专利技术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。
技术介绍
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。
技术实现思路
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。本专利技术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是本专利技术实施例中选取的高光谱试验区域示意图；图2是本专利技术实施例中高光谱遥感图像分类方法的步骤流程图；图3是本专利技术实施例的硬件设备工作示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。本专利技术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是本专利技术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是本专利技术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是本专利技术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。本专利技术的有益效果是：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。以上所述仅为本专利技术的较佳实施例，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
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？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。

【技术特征摘要】
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？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...

【专利技术属性】
技术研发人员：陈小波，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42