一种基于动态诊断的高光谱影像小样本分类方法技术

本发明专利技术公开了一种基于动态诊断的高光谱影像小样本分类方法，包括以下步骤：建立基于元学习的分类任务；构建特征提取网络和双分支边推导网络；利用建立的更新原则训练进行分类模型的训练；构建动态诊断策略为待分类样本分配标签。本发明专利技术使用少量的高光谱影像样本进行分类模型的训练，并利用动态诊断判别提升测试集的分类精度，采用双分支深度神经网络搭建特征提取网络用于提取特征及边推导网络用于空间相似性和光谱相似性度量，测试时构建动态诊断器，筛选出样本当前任务中符合高类内相似性和高类间差异性且光谱分支网络和空间分支网络的分类结果保持一致性的样本，进而提升分类性能。性能。性能。

【技术实现步骤摘要】
一种基于动态诊断的高光谱影像小样本分类方法


[0001]本专利技术涉及高光谱影像小样本分类
，尤其涉及一种基于动态诊断的高光谱影像小样本分类方法。

技术介绍

[0002]高光谱影像由于具有光谱分辨率高、波段众多等显著特点，较于常规遥感影像有更广泛的应用，常常被用来对目标范围内各地物进行分类识别。现有高光谱分类方法多依赖于大量监督样本的通过对目标范围图像的空间和光谱信息进行分析和处理，往往可以得到较高的分类精度。然而，只有少量标注样本数据的现状对于高光谱分类提出挑战。对于少量监督样本的高光谱影像分类一般分为两种情况：一，首先在有着大量标注样本的源域上训练，然后利用目标域的少量监督样本进行微调，但这种方法要求源域和目标域地物类别尽可能相同，若域差异较大，会产生不理想的分类结果；二，直接利用目标域中的少量监督样本进行训练，有效利用少量的监督样本学习更好的知识或者用其他方法辅助来产生好的分类结果。针对利用少量监督样本进行影像分类的问题，研究者已经做了大量的工作，但是仍具有高光谱图像标注样本少、光谱特征和空间特征难平衡及类内相似性和类间差异性小而导致分类精度不高的问题

技术实现思路

[0003]本专利技术提供一种基于动态诊断的高光谱影像小样本分类方法，以克服高光谱图像标注样本少、光谱特征和空间特征难平衡及类内相似性和类间差异性小而导致分类精度不高的问题。
[0004]为了实现上述目的，本专利技术的技术方案是：
[0005]一种基于动态诊断的高光谱影像小样本分类方法，其特征在于，包括以下步骤：
[0006]S1、将高光谱影像切分组成空间块样本集合，空间块对应的中心像元组成像元样本集合，从空间样本集合随机选择空间块样本组成空间块训练集，从像元样本集合中选出空间块对应的中心像元组成像元训练集，块分类任务T
spa
由空间块样本组成，像元分类任务T
spe
由像元样本组成；
[0007]S2、将深度学习方法中的池化层、激活函数和全连接层进行二维卷积操作、批量归一化处理，形成二维卷积层和线性层，建立特征提取网络；
[0008]S3、利用特征提取网络提取高光谱影像的样本特征，利用样本特征作为节点和样本特征间的相似性作为边构建双分支边推导网络；
[0009]S4、利用块分类任务和像元分类任务构建分类任务，以分类任务作为输入，构建节点更新和边更新规则，对双分支边推导网络的所有节点信息和边信息进行更新，得到分类模型；
[0010]S5、利用待预测高光谱影像样本组成待测查询集，将待测查询集中的分类任务输入分类模型，构建动态诊断规则对输入的查询样本进行判别，直到分类结束。
[0011]进一步的，S2中所述特征提取网络包括空间特征提取网络SPA
‑
NN和光谱特征提取网络SPE
‑
NN，其中空间特征提取网络SPA
‑
NN由二维卷积层和线性层组成，光谱特征提取网络SPE
‑
NN由线性层组成，其中由空间块样本组成的块分类任务作为空间特征提取网络SPA
‑
NN的输入，输出为块分类任务中每一个空间块样本的空间特征表示X
spa
，由像元样本组成的像元分类任务作为光谱特征提取网络SPE
‑
NN的输入，输出为像元分类任务中每一个像元样本的光谱特征表示X
spe
。
[0012]进一步的，S3中所述双分支边推导网络包括基于块分类任务的图神经网络S
‑
GNN和基于像元分类任务的图神经网络P
‑
GNN；
[0013]其中构建基于块分类任务的图神经网络S
‑
GNN具体公式为：G
spa
＝(V
spa
,S
spa
；T
spa
)，其中V
spa
代表由X
spa
组成的节点集合，S
spa
表示样本间的空间相似性集合，G
spa
表示以V
spa
和S
spa
为节点集和边集构建的第一全连通图，利用第一全连通图G
spa
的节点、边作为网络的输入和输出构建基于块分类任务的图神经网络S
‑
GNN；
[0014]构建基于像元分类任务的图神经网络P
‑
GNN具体公式为：G
spe
＝(V
spe
，S
spe
；T
spe
)，其中V
spe
代表由X
spe
组成的节点集合，S
spe
表示样本间的光谱相似性集合，G
spe
代表以V
spe
和S
spe
表示图的节点集和边集构建的第二全连通图，利用第二全连通图G
spe
的节点、边作为网络的输入和输出构建基于像元分类任务的图神经网络P
‑
GNN。
[0015]进一步的，S4中对双分支边推导网络中的所有节点信息进行更新具体为：
[0016]S41、对第一全连通图G
spa
中的节点信息在基于块分类任务的图神经网络S
‑
GNN中l层进行更新，更新公式为：
[0017][0018]其中，MLP
spa
为空间
‑
光谱特征转换网络，网络参数为C表示连接操作，为G
spa
中的节点j在S
‑
GNN中l
‑
1层的节点信息，为对目前块任务在网络中l
‑
1层的样本i和其他样本的空间相似性经过归一化处理之后的样本i和样本j的空间相似性，为G
spa
中的节点i在S
‑
GNN中l层的节点信息，为G
spe
中的节点i在S
‑
GNN中l
‑
1层的节点信息，j为G
spe
中的节点序号；
[0019]S42、对第二全连通图G
spe
中的节点信息在基于像元分类任务的图神经网络P
‑
GNN中l层进行更新，更新公式为：
[0020][0021]其中，MLP
spe
为光谱特征转换网络，对应网络参数C表示连接操作，为G
spe
中的节点j在P
‑
GNN中l
‑
1层的节点信息，为对目前像元任务中样本i和其他样本的在l
‑
1层的光谱相似性经过归一化处理之后的样本i和样本j的光谱相似性，为G
spe
中的节点i
在P
‑
GNN中l层的节点信息，为G
spe
中的节点i在P
‑
GNN中l
‑...

【技术保护点】

【技术特征摘要】
1.一种基于动态诊断的高光谱影像小样本分类方法，其特征在于，包括以下步骤：S1、将高光谱影像切分组成空间块样本集合，空间块对应的中心像元组成像元样本集合，从空间样本集合随机选择空间块样本组成空间块训练集，从像元样本集合中选出空间块对应的中心像元组成像元训练集，块分类任务T
spa
由空间块样本组成，像元分类任务T
spe
由像元样本组成；S2、将深度学习方法中的池化层、激活函数和全连接层进行二维卷积操作、批量归一化处理，形成二维卷积层和线性层，建立特征提取网络；S3、利用特征提取网络提取高光谱影像的样本特征，利用样本特征作为节点和样本特征间的相似性作为边构建双分支边推导网络；S4、利用块分类任务和像元分类任务构建分类任务，以分类任务作为输入，构建节点更新和边更新规则，对双分支边推导网络的所有节点信息和边信息进行更新，得到分类模型；S5、利用待预测高光谱影像样本组成待测查询集，将待测查询集中的分类任务输入分类模型，构建动态诊断规则对输入的查询样本进行判别，直到分类结束。2.如权利要求1所述的一种基于动态诊断的高光谱影像小样本分类方法，其特征在于：S2中所述特征提取网络包括空间特征提取网络SPA
‑
NN和光谱特征提取网络SPE
‑
NN，其中空间特征提取网络SPA
‑
NN由二维卷积层和线性层组成，光谱特征提取网络SPE
‑
NN由线性层组成，其中由空间块样本组成的块分类任务作为空间特征提取网络SPA
‑
NN的输入，输出为块分类任务中每一个空间块样本的空间特征表示X
spa
，由像元样本组成的像元分类任务作为光谱特征提取网络SPE
‑
NN的输入，输出为像元分类任务中每一个像元样本的光谱特征表示X
spe
。3.如权利要求2所述的一种基于动态诊断的高光谱影像小样本分类方法，其特征在于：S3中所述双分支边推导网络包括基于块分类任务的图神经网络S
‑
GNN和基于像元分类任务的图神经网络P
‑
GNN；其中构建基于块分类任务的图神经网络S
‑
GNN具体公式为：G
spa
＝(V
spa
,S
spa
；T
spa
)，其中V
spa
代表由X
spa
组成的节点集合，S
spa
表示样本间的空间相似性集合，G
spa
表示以V
spa
和S
spa
为节点集和边集构建的第一全连通图，利用第一全连通图G
spa
的节点、边作为网络的输入和输出构建基于块分类任务的图神经网络S
‑
GNN；构建基于像元分类任务的图神经网络P
‑
GNN具体公式为：G
spe
＝(V
spe
,S
spe
；T
spe
)，其中V
spe
代表由X
spe
组成的节点集合，S
spe
表示样本间的光谱相似性集合，G
spe
代表以V
spe
和S
spe
表示图的节点集和边集构建的第二全连通图，利用第二全连通图G
spe
的节点、边作为网络的输入和输出构建基于像元分类任务的图神经网络P
‑
GNN。4.如权利要求3所述的一种基于动态诊断的高光谱影像小样本分类方法，其特征在于，S4中对双分支边推导网络中的所有节点信息进行更新具体为：S41、对第一全连通图G
spa
中的节点信息在基于块分类任务的图神经网络S
‑
GNN中l层进行更新，更新公式为：
其中，MLP
spa
为空间
‑
光谱特征转换网络，网络参数为C表示连接操作，为G
spa
中的节点j在S
‑
GNN中l
‑
1层的节点信息，为对目前块任务在网络中l
‑
1层的样本i和其他样本的空间相似性经过归一化处理之后的样本i和样本j的空间相似性，为G
spa
中的节点i在S
‑
GNN中l层的节点信息，为G
spa
中的节点i在S
‑
GNN中l
‑
1层的节点信息，j为G
spa
中的节点序号；S42、对第二全连通图G
spe
中的节点信息在基于像元分类任务的图神经网络P
‑
GNN中l层进行更新，更新公式为：其中，MLP
spe
为光谱特征转换网络，对应网络参数C表示连接操作，为G
spe
中的节点j在P
‑
GNN中l
‑
1层的节点信息，为对目前像元任务中样本i和其他样本的在l
‑
1层的光谱相似性经过归一化处理之后的样本i和样本j的光谱相似性，为G
spe
中的节点i在P
‑
GNN中l层的节点信息，为G
spe
中的节点i在P
‑
GNN中l
‑
1层的节点信息；利用公式(1)和(2)对双分支边推导网络中的所有节点信息进行更新。5.如权利要求4所述的一种基于动态诊断的高光谱影像小样本分类方法，其特征在于，S4中对双分支边推导网络中...

【专利技术属性】
技术研发人员：于纯妍，宋梅萍，黄佳慧，王玉磊，赵恩宇，于浩洋，张建祎，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：