[发明专利]基于深度迁移学习与邻域降噪的分类方法

说明书

本发明公开了一种基于深度迁移学习与邻域降噪的分类方法，将在源数据集上预训练的CNN浅层网络权值参数迁移至目标数据集，通过网络微调，随机初始化目标数据集网络训练的CNN深层网络权值参数，并在目标数据集上重新训练，完成基于迁移学习的高光谱图像分类，然后，再对通过迁移学习输出的高光谱图像分类的图像标记结果进行基于八邻域点众数标签的最优邻域点降噪，最终输出降噪后的图像分类结果。

技术领域

本发明涉及高光谱图像处理技术领域，更具体的说是涉及一种基于深度迁移学习与邻域降噪的分类方法。

背景技术

目前，深度学习特别是深度卷积神经网络在高光谱图像分类领域的应用越来越广泛，取得了越来越好的分类性能，但是随着高光谱图像空间分辨率和光谱分辨率的不断提高，在分类时还存在着计算复杂度高、椒盐噪声难以去除等问题，并且基于深度学习的分类方法总需要一个大规模标注的数据集来支持训练，样本数量不足将影响分类准确率。

因此，如何提供一种在小样本量下进行图像分类训练，减小计算复杂度和降低噪声对分类准确度的影响是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种深度迁移学习与邻域降噪的分类方法，将在源数据集上预训练的CNN浅层网络权值参数迁移至目标数据集，通过网络微调，随机初始化目标数据集网络训练的CNN深层网络权值参数，并在目标数据集上重新训练，完成基于迁移学习的高光谱图像分类，然后，再对通过迁移学习输出的高光谱图像分类的图像标记结果即目标数据集类别标签，进行基于八邻域点众数标签的最优邻域点降噪，最终输出降噪后的图像标记结果。

为了实现上述目的，本发明采用如下技术方案：

基于深度迁移学习与邻域降噪的分类方法，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，获得预训练网络的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所述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。

优选的，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的所述像元类别标签。

优选的，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深层网络的一层或多层网络权值参数

优选的，所述步骤三具体包括：

设定初始众数阈值；

遍历所述高管狗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；