基于EMMLP高光谱遥感图像半监督分类方法、存储介质及设备技术

基于EMMLP高光谱遥感图像半监督分类方法、存储介质及设备，涉及一种高光谱遥感图像半监督分类方法、存储介质及设备。为了解决现有的高光谱遥感图像分类方法存在样本点没有得到分类的问题。本发明专利技术首先对高光谱图像进行降维处理；然后使用MMLP算法对降维后的图像进行初步分类，针对MMLP算法分类后没有得到类标签的样本，再使用MMLP二次分类算法，最后将MMLP二次分类算法分类后的结果，结合空间邻域信息对所有样本类别进行再次判断。本发明专利技术用于高光谱遥感图像的半监督分类。高光谱遥感图像的半监督分类。高光谱遥感图像的半监督分类。

【技术实现步骤摘要】
基于EMMLP高光谱遥感图像半监督分类方法、存储介质及设备


[0001]本专利技术涉及一种高光谱遥感图像半监督分类方法、存储介质及设备。

技术介绍

[0002]高光谱图像可被视为一个数据立方体，在捕捉详细的光谱信息时，能够同时提供观测场景的空间分布，这种图谱合一的特点，使高光谱图像可以更加准确地辨识物体类型，为图像研究提供了巨大可能。经过近二十年的研究与发展，目前已经成功应用于地质科学、军事国防、医学诊断、精细农业和水文科学等多个科学研究领域。作为图像分类领域的一个重要方向，其分类问题也成为该领域的研究热点。研究人员在对其进行分类时，相邻光谱间的相关性高并且训练样本数量有限，获得样本类标签需要较高的成本和时间花费，并且其通道数较高，计算量较高，针对这一问题，本专利技术通过半监督分类方法解决高光谱图像的分类问题。
[0003]高光谱图像分类的目标是依据样本的特征赋予其类标签。不同地物具有不同的光谱曲线，因此涌现出较多利用光谱信息分类的半监督分类方法。王立国等人将差分算法与“教与学”算法结合起来，提出了联合多种空间信息的高光谱半监督分类方法，在一定程度上提升了算法的分类性能。2020年，Cao等人针对高光谱图像中存在冗余信息的问题，提出了基于条件随机场子空间(Subspace Learning with Conditional Random Field，SLCRF)的半监督高光谱图像分类算法，该方法通过引入3D自编码器去除高光谱图像中的冗余信息，并结合相邻像素间的邻域信息，最后利用基于半监督条件随机场框架的算法对高光谱数据集进行分类，实验验证了该算法用于去除高光谱图像中冗余信息的有效性。2021年Haoyu Wang等人提出了基于图卷积宽带网络(Graph Convolutional Broad network，GCBN)的半监督高光谱图像分类算法该方法改进了传统光谱特征提取方法，通过采用图卷积运算从原始高光谱图像中提取光谱空间特征，并且应用组合平均法再次提取样本特征进行训练，通过实验验证了该算法的有效性。高光谱图像各个光谱通道可能存在一定的冗余信息，并且光谱通道之间存在一定的相关信息，这些问题增加了高光谱图像分类的复杂性。
[0004]传统的MMLP算法是基于标签传播的半监督分类方法，它通过极小极大路径传播类标签，该方法具有较低的时间复杂度，并且具有较好的分类性能，由于该算法使用K近邻构建稀疏相似度矩阵，在图像分类过程中会造成某些点不连通，因此算法不能对所有样本进行完全分类。

技术实现思路

[0005]本专利技术是为了解决现有的高光谱遥感图像分类方法存在样本点没有得到分类的问题。
[0006]基于EMMLP高光谱遥感图像半监督分类方法，包括以下步骤：
[0007]S1、对高维遥感图像进行降维，得到降维后的图像；
[0008]S2、使用MMLP算法对降维后的图像进行分类；所述MMLP算法为极小极大标签传播
算法；
[0009]S3、针对MMLP算法分类后仍未分类样本x
ij
，用x
ij
更新MMLP算法分类前的无类标签样本集U；用MMLP分类后得到类标签的样本，更新MMLP算法分类前的有类标签样本集M；
[0010]定义目标函数K(x
ij
)为无类标签样本x
ij
到所有有类标签样本x
j
的距离：
[0011]K(x
ij
)＝max(c(x
ij
,x
j
),c(x
j
))for j＝1,...,l
[0012]其中，无类标签样本x
ij
到有类标签样本x
j
之间的距离定义为c(x
ij
，x
j
)，x
j
原为无类标签样本，通过MMLP算法获得标签的有类标签样本，c(x
j
)为无类标签样本x
j
在MMLP算法结束后获得标签的传播距离；
[0013]然后对所有有类标签样本的max(c(x
i
,x
j
),c(x
j
))的进行排序，根据排序结果筛选最小的K个样本，用类别数最多的样本的类，作为无类标签样本的类标签；
[0014]S4、对所有初始无标签样本集中样本的标签再次判断：将样本x
j
和x
ij
作为目标像素，提取目标像素x
j
和x
ij
周围8个邻域的类别信息，通过计算各类别的权重和，结合投票法，对目标像素的类别进行修正。
[0015]进一步地，传播距离c(x
j
)如下：
[0016][0017]其中，X
ij
为无类标签样本x
j
从有类标签样本x
i
获得标记的路径集合，即成功过的标记的路径集合；a表示路径；将两个相邻样本间的欧氏距离定义为c(x
l
，x
l+1
)，max(c(x
l
，x
l+1
))为无类标签样本的传播路径中，任意两个样本间距离最大的一段。
[0018]进一步地，S1中利用PCA或MNF算法对高维遥感图像进行降维；
[0019]PCA为主成分分析，MNF为最小噪声分离变换。
[0020]进一步地，S3中选出最小的前15个样本，即K＝15。
[0021]进一步地，S4的具体过程包括以下步：
[0022]提取目标像素周围8个邻域的类别信息，针对目标像素周围的8个邻域像素的类别进行统计，使用D
k
记录相同类别像素的类别权重之和；
[0023]在目标像素的8个邻域像素中，每一个初始为无类标记但是从其他样本处获得了类标签的无类标签样本，将其类别权重设置为1；每一个初始为有类标签样本的类别权重设置为2，目标像素自身的类标签权重也设置为2；
[0024]统计目标像素及其周围8个邻域样本的所有类别的权重，确定每个类别权重和D
k
中的最大值，将目标像素的类标签设置为权重和D
k
最大值对应类别的类标签。
[0025]进一步地，确定每个类别权重和D
k
中的最大值，将目标像素的类标签设置为权重和D
k
最大值对应类别的类标签的过程中，如果存在2种类别的权重和相同时，目标像素的类标签不发生改变。
[0026]一种计算机存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现所述的基于EMMLP高光谱遥感图像半监督分类方法。
[0027]一种基于EMMLP高光谱遥感图像半监督分类设备，所述设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由处理器加载并执行以实现所述的基于EMMLP高光谱遥感图像半监督分类方法。...

【技术保护点】

【技术特征摘要】
1.基于EMMLP高光谱遥感图像半监督分类方法，其特征在于，包括以下步骤：S1、对高维遥感图像进行降维，得到降维后的图像；S2、使用MMLP算法对降维后的图像进行分类；所述MMLP算法为极小极大标签传播算法；S3、针对MMLP算法分类后仍未分类样本x
ij
，用x
ij
更新MMLP算法分类前的无类标签样本集U；用MMLP分类后得到类标签的样本，更新MMLP算法分类前的有类标签样本集M；定义目标函数K(x
ij
)为无类标签样本x
ij
到所有有类标签样本x
j
的距离：K(x
ij
)＝max(c(x
ij
,x
j
),c(x
j
))for j＝1,...,l其中，无类标签样本x
ij
到有类标签样本x
j
之间的距离定义为c(x
ij
，x
j
)，x
j
原为无类标签样本，通过MMLP算法获得标签的有类标签样本，c(x
j
)为无类标签样本x
j
在MMLP算法结束后获得标签的传播距离；然后对所有有类标签样本的max(c(x
i
,x
j
),c(x
j
))的进行排序，根据排序结果筛选最小的K个样本，用类别数最多的样本的类，作为无类标签样本的类标签；S4、对所有初始无标签样本集中样本的标签再次判断：将样本x
j
和x
ij
作为目标像素，提取目标像素x
j
和x
ij
周围8个邻域的类别信息，通过计算各类别的权重和，结合投票法，对目标像素的类别进行修正。2.根据权利要求1所述的基于EMMLP高光谱遥感图像半监督分类方法，其特征在于，传播距离c(x
j
)如下：其中，X
ij
为无类标签样本x
j
从有类标签样本x
i
获...

【专利技术属性】
技术研发人员：罗丹，刘新，国鹏，
申请(专利权)人：天津仁爱学院，
类型：发明
国别省市：