[发明专利]基于深度迁移学习与邻域降噪的分类方法

权利要求书

1.基于深度迁移学习与邻域降噪的分类方法，其特征在于，包括如下步骤：

步骤一，采集由高光谱图像组成的源数据集并进行CNN网络预训练，获得预训练网络和CNN浅层网络权值参数；

步骤二，采集由所述高光谱图像组成的目标数据集并进行CNN网络训练，将所述CNN浅层网络权值参数迁移至所述CNN网络，对所述CNN网络进行网络微调，随机初始化所述目标数据集网络训练的CNN深层网络权值参数，并进行训练获得目标训练网络，完成迁移学习输出所述目标数据集分类后的目标数据集类别标签；

步骤三，根据所述目标数据集类别标签获得所述目标数据集的所述高光谱图像的像元标签，进行基于八邻域点众数标签的最优邻域点降噪，输出去噪后的所述目标数据集类别标签；

设定初始众数阈值；

遍历所述高光谱图像中所有需要分类的所述像元标签，将所述像元标签作为中心像元标签，并将所述中心像元标签与八邻域像元标签组成的3×3矩阵变成1×9的一维向量；

计算所述中心像元标签与所述八邻域像元标签的众数M和众数标签数量m；

当所述中心像元标签不等于所述众数M，所述众数M不等于0，并且所述众数标签数量m大于或等于所述初始众数阈值，确定所述中心像元标签对应的中心像元为噪点；

将所述中心像元标签赋值为当前所述众数M；

遍历结束，所述目标数据集分类后的所述高光谱图像的所述像元标签去噪完成，得到去噪后的所述目标数据集类别标签。

2.根据权利要求1所述的基于深度迁移学习与邻域降噪的分类方法，其特征在于，所述步骤二具体包括：

将所述CNN浅层网络权值参数作为初始参数应用到所述目标数据集的所述CNN网络训练上；

去掉所述预训练网络的最后一个全连接层，并新增符合所述目标数据集地物类别数量的新全连接层，形成所述CNN网络，随机初始化所述新全连接层的网络权值参数；

当所述目标数据集样本数量小于或等于所述源数据集时，根据所述目标数据集训练所述新全连接层，获得所述目标训练网络；否则，根据所述目标数据集训练整个所述CNN网络，获得所述目标训练网络；

根据所述目标训练网络输出分类后的所述目标数据集类别标签。

3.根据权利要求1所述的基于深度迁移学习与邻域降噪的分类方法，其特征在于，所述源数据集和所述目标数据集为相似数据集。