【技术实现步骤摘要】
本专利技术涉及图像处理，特别是涉及一种不平衡高光谱图像集成分类方法、系统及电子设备。
技术介绍
1、高光谱图像记录观察目标的数百个窄波段的光谱信息，能够为后续图像处理任务提供丰富的高维特征，在区分不同地物或材料、检测环境变化等任务中被广泛使用。由于所观察的地物或其他目标在数量、尺寸、空间分布上各有不同，因此高光谱图像具有不平衡的特征，显式地表现为部分类别样本数量占比远高于其他类。大多数标准学习算法为了优化整体的分类误差，往往偏向多数类样本，而牺牲少数类的分类准确率。这导致了一些出色的算法虽然在处理不平衡数据集时可以实现相对较高的总体准确率，但在一些少数类别的识别方面表现不佳。但在实际应用中，人们反而通常更重视对少数类的准确识别。如，对某一特定目标的检测，该目标占据的像素远少于背景中的土地和树等，正确识别包含该目标的像素比正确识别其他地物的像素更为重要。因此需要针对高光谱的数据不平衡特点，进行分类方法的改进。
2、针对不平衡高光谱图像分类问题，当前研究主要结合重采样进行类别的重平衡，如，西安电子科技大学的冯伟等人，首先使用主成分分析法对原有高光谱图像进行降维处理，并对降维后的少数样本进行过采样；西安电子科技大学的钟娴等人，将人工合成过采样的数据放入多层深度随机森林。重庆邮电大学的楚恒等人，提出一种基于均值漂移和过采样的高光谱图像不平衡分类方法，对基于均值漂移算法得到的分割图和基于smote算法得到的分类图进行最大投票融合。西安电子科技大学的童莹萍等人，利用动态采样因子技术设计了不平衡集成分类算法，虽然使用旋转森林进行了
3、基于上述描述，现有的方法主要关注于使用人工合成过采样算法进行样本空间的优化，并没有考虑到从特征空间进行优化，寻找更适合于表征不平衡数据的特征空间，进一步基于优化的特征空间进行分类。此外，对于需要进行决策融合的不平衡高光谱方法，往往采用简单的投票融合，并没有进一步考虑到决策空间的优化。
技术实现思路
1、为解决现有技术存在的上述问题，本专利技术提供了一种不平衡高光谱图像集成分类方法、系统及电子设备。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种不平衡高光谱图像集成分类方法，包括：
4、基于谱-空邻域的自适应人工合成过采样算法，在融合后的谱-空特征空间中根据设定的采样策略，对原始高光谱图像数据集中的少数样本进行样本合成，得到平衡样本集；所述少数样本为类别不平衡度低于设定值的样本；
5、对所述平衡样本集中的特征进行多次随机划分得到多个特征子集；
6、通过fisher判别分析算法求解随机划分得到的所述特征子集的投影矩阵，并使用改造后的投影向量特征对齐方法构建对应的多个旋转矩阵；
7、基于多个所述旋转矩阵对所述平衡样本集的数据矩阵进行特征空间变换得到多个旋转样本集；
8、将每个不同特征空间上的旋转样本集对应输入一个支持向量机基分类器，并利用d-s融合集成所有的支持向量机基分类器得到分类结果，以完成决策空间优化。
9、可选地，基于谱-空邻域的自适应人工合成过采样算法，在融合后的谱-空特征空间中根据设定的采样策略，对原始高光谱图像数据集中的少数样本进行样本合成，得到平衡样本集，具体包括：
10、使用滑动窗口扫描原始高光谱图像数据集中的二维图像得到轨迹矩阵，实现将空间结构信息嵌入到所述轨迹矩阵中，完成谱-空特征空间的融合；所述轨迹矩阵具有汉克尔-块-汉克尔结构，表示为关于子矩阵的汉克尔矩阵；
11、基于所述轨迹矩阵进行奇异值分解得到成分矩阵，并确定每一所述成分矩阵对携带轨迹矩阵信息的贡献量；
12、按所述贡献量对所述成分矩阵进行分组得到分组矩阵；
13、对所述分组矩阵中的每个子矩阵通过副对角线的对角平均操作恢复汉克尔结构，并对各恢复汉克尔结构的子矩阵构成的矩阵，通过基于子矩阵的副对角线的对角平均操作恢复汉克尔结构，完成二步汉式化处理得到汉克尔-块-汉克尔矩阵；
14、基于所述汉克尔-块-汉克尔矩阵进行二维信号重构得到重构后的二维图像矩阵；
15、基于重构后的二维图像矩阵进行样本重采样得到平衡样本集。
16、可选地，使用滑动窗口扫描原始高光谱图像数据集中的二维图像得到轨迹矩阵，实现将空间结构信息嵌入到所述轨迹矩阵中，具体包括：
17、使用滑动窗口扫描原始高光谱图像数据集中的二维图像得到窗口矩阵；
18、对所述窗口矩阵进行向量化并逐行拼接得到所述嵌入有空间结构信息的轨迹矩阵。
19、可选地，基于所述轨迹矩阵进行奇异值分解得到成分矩阵，并确定每一所述成分矩阵对携带轨迹矩阵信息的贡献量，具体包括：
20、得到矩阵乘积，对所述矩阵乘积进行特征值分解得到特征值和与所述特征值对应的特征向量；所述矩阵乘积为所述轨迹矩阵和所述轨迹矩阵的转置矩阵的乘积；
21、基于所述特征值和与所述特征值对应的特征向量确定成分矩阵；
22、将所述成分矩阵对应的特征值作为所述贡献量。
23、可选地，按所述贡献量对所述成分矩阵进行分组得到分组矩阵，具体包括：
24、将所述成分矩阵分为多个不相交的子集；
25、保留多个不相交的子集中贡献量超过设定值的子集，得到所述分组矩阵。
26、可选地，基于所述汉克尔-块-汉克尔矩阵进行二维信号重构得到重构后的二维图像矩阵，具体包括：
27、对每个所述汉克尔-块-汉克尔矩阵进行向量化得到向量；
28、按照副对角线次序对所述向量进行行方向上的拼接得到重构后的二维图像矩阵。
29、可选地，基于重构后的二维图像矩阵进行样本重采样得到平衡样本集，具体包括：
30、基于所述重构后的二维图像矩阵确定像素样本向量；
31、基于像素样本向量对应的类别确定某一类别的样本数量；
32、基于所述样本数量确定某一类别的不平衡度；
33、当所述不平衡度小于平衡度阈值时，设置过采样率，并基于所述过采样率确定这一类别中待合成的样本数；
34、采用k最近邻（k-nearest neighbor，knn）算法确定样本的特征邻域，并根据像素空间位置确定空间邻域，得到样本的谱-空邻域；
35、确定样本在谱-空邻域内的异类样本比例；
36、基于所述异类样本比例对这一类别内所有样本进行归一化，得到这一类别内样本被选择为种子样本的采样概率；
37、由采样概率和所述待合成的样本数确定得本文档来自技高网...
【技术保护点】
1.一种不平衡高光谱图像集成分类方法，其特征在于，包括：
2.根据权利要求1所述的不平衡高光谱图像集成分类方法，其特征在于，基于谱-空邻域的自适应人工合成过采样算法，在融合后的谱-空特征空间中根据设定的采样策略，对原始高光谱图像数据集中的少数样本进行样本合成，得到平衡样本集，具体包括：
3.根据权利要求2所述的不平衡高光谱图像集成分类方法，其特征在于，使用滑动窗口扫描原始高光谱图像数据集中的二维图像得到轨迹矩阵，实现将空间结构信息嵌入到所述轨迹矩阵中，具体包括：
4.根据权利要求2所述的不平衡高光谱图像集成分类方法，其特征在于，基于所述轨迹矩阵进行奇异值分解得到成分矩阵，并确定每一所述成分矩阵对携带轨迹矩阵信息的贡献量，具体包括：
5.根据权利要求2所述的不平衡高光谱图像集成分类方法，其特征在于，按所述贡献量对所述成分矩阵进行分组得到分组矩阵，具体包括：
6.根据权利要求2所述的不平衡高光谱图像集成分类方法，其特征在于，基于所述汉克尔-块-汉克尔矩阵进行二维信号重构得到重构后的二维图像矩阵，具体包括：
7.根
8.根据权利要求1所述的不平衡高光谱图像集成分类方法，其特征在于，通过Fisher判别分析算法求解所述特征子集的投影矩阵，并使用改造后的投影向量特征对齐方法构建旋转矩阵，具体包括：
9.一种不平衡高光谱图像集成分类系统，其特征在于，所述系统用于实施如权利要求1-8任意一项所述的不平衡高光谱图像集成分类方法；所述系统包括：
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种不平衡高光谱图像集成分类方法，其特征在于，包括：
2.根据权利要求1所述的不平衡高光谱图像集成分类方法，其特征在于，基于谱-空邻域的自适应人工合成过采样算法，在融合后的谱-空特征空间中根据设定的采样策略，对原始高光谱图像数据集中的少数样本进行样本合成，得到平衡样本集，具体包括：
3.根据权利要求2所述的不平衡高光谱图像集成分类方法，其特征在于，使用滑动窗口扫描原始高光谱图像数据集中的二维图像得到轨迹矩阵，实现将空间结构信息嵌入到所述轨迹矩阵中，具体包括：
4.根据权利要求2所述的不平衡高光谱图像集成分类方法，其特征在于，基于所述轨迹矩阵进行奇异值分解得到成分矩阵，并确定每一所述成分矩阵对携带轨迹矩阵信息的贡献量，具体包括：
5.根据权利要求2所述的不平衡高光谱图像集成分类方法，其特征在于，按所述...
【专利技术属性】
技术研发人员：李晓军，苏逸，姚俊萍，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。