[发明专利]一种面向高光谱影像中地物的半监督自动标记方法与装置

说明书

本发明实施例提供一种面向高光谱影像中互花米草的半监督自动标记方法。本发明的面向高光谱影像中互花米草的半监督自动标记方法，在对18个波段108维数据进行降维的基础上，采用基于局部密度的快速聚类算法进行无监督聚类，进而与已标记互花米草数据集进行匹配，从而实现该类数据全部自动标记，实现对互花米草的自动标记。本发明实施例还提供一种面向高光谱影像中互花米草的半监督自动标记装置。本发明实施例提供的技术方案能够准确有效地实现对互花米草的识别与标记。

技术领域

本发明涉及一种半监督自动标记方法，特别涉及一种面向高光谱影像数据的半监督自动标记方法与装置。

背景技术

地物识别与标记通常通过实地考察后，人眼识别光学相机或者高光谱成像的图片进行判断，人工识别之后进行人工标记，这种方式效率低、成本高，且存在无法实地考察的区域，很难满足区域性大范围地物识别的需要。因此，如何自动识别与标记高光谱影像中的地物是值得研究的热点问题。

针对高维、复杂的高光谱影像数据，传统的研究主要是采用主成分分析这种基本的线性降维方法，通过线性变换寻找一组最优的线性组合来重构原样本，降低原始高光谱影像波段相关性数据，在一定程度上提高了高光谱影像数据地物识别与标记精度，但是这样的线性变换使得原始高光谱图像中小目标地物容易被忽略掉，并且在高光谱影像数据中存在大量非线性关系数据；相关学者采用基于局部线性嵌入的非线性降维方法对高光谱影像数据进行降维，利用高光谱数据集的局部几何结构来揭示其内在的流形结构，从而发现内在的主要变量进行降维，然而流形降维算法仅仅从数据本身的几何结构出发处理数据，没有兼顾到高光谱影像数据集的物理特征。

针对高光谱影像中地物分类问题，传统的分类方式采用决策树、支持向量机等有监督分类方法，虽然分类效果良好，但是有监督分类方法需要大量带有标记的样本，而有标记样本的实地获取是一项消耗大量人力、物力和财力的事情；有些学者采用直推式支持向量机进行分类，通过少量的有标签样本训练出一个决策边界，利用无标签数据来调整边界，但是损失函数的非凸性会导致局部的最优。

针对高光谱影像中地物标记问题，有些学者使用一种结合地物空间地理位置与决策树的地物识别分类方法，需要大量带标记地物样本数量，结合大量的人工分析、识别与人工标记工作，并且相关地理区域粗线条标记，未在高光谱影像上达到像素级别的地物精确标记。

针对以上问题，本发明所针对高光谱影像数据采用t-SNE降维算法，既保留了原始高光谱影像数据的全部特征，又能提取出高光谱影像数据中主要变量特征。对降维后的无标记数据采用基于局部密度的无监督快速聚类算法进行自动聚类，不需要决策边界，减少了大量的人工样本标签获取工作、人工分析工作，通过MATLAB矩阵转换运算将聚类结果映射到原始高光谱影像的像素点坐标，减少了大量的人力工作，实现地物像素级别自动标记，提高地物标记精度。

总而言之，基于上述研究所存在的问题，本发明针对包含少量标记数据的CHRIS卫星高光谱影像数据，提出了一种面向高光谱影像数据的半监督自动标记方法。本发明采用t-SNE降维算法将原始高维、复杂高光谱影像数据进行降维特征融合之后，采用无监督聚类算法—基于局部密度的快速聚类算法对高光谱影像数据进行自动聚类，进而利用已标记地物数据与各类数据进行匹配，调整聚类参数以修正分类的准确性，通过MATLAB矩阵转换运算将聚类结果映射到高光谱影像的像素点坐标，实现地物像素级别自动标记，减少了大量人工分析与标记工作，提高了识别精度和效率。

发明内容

为了解决现有技术问题，本发明提供了一种面向高光谱影像数据的半监督自动标记方法，本发明的面向高光谱影像数据的半监督自动标记方法，针对已包含少量地物标记的18个波段108维数据，通过数据降维进行特征融合之后，采用无监督聚类将各地物进行初步分类，进而利用已标记地物数据与各类数据进行匹配，调整聚类参数以修正分类的准确性，对最终的分类结果进行MATLAB矩阵转换运算，映射到光谱图像的像素点坐标，实现对各类地物的自动标记。

本发明所采用的技术方案如下：