[发明专利]一种高光谱遥感图像分类方法、设备及存储设备

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

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。