[发明专利]一种高光谱图像分类方法

权利要求书

1.一种高光谱图像分类方法，其特征在于，结合自训练半监督分类算法和吸引子传播算法，并将标记样本的更新区域限制在标记样本邻域中，包括如下步骤：

步骤1：初始化：设标记样本集合L＝{(x_i，y_i)，x_i∈R^d，i＝1,2,…，n}，其中X_i为标记样本，y_i∈{L₁，L₂，…，L_m}为样本标签，n为标记样本数量，d为样本维数，m为样本类别数；设未标记样本U＝{X₁^*,X₂^*,…X_u^*}，其中X_i^*为未标记样本，u为未标记样本数；

步骤2：根据标记样本集合L训练初始分类器；

步骤3：找到分类正确的标记样本，得到正确分类标记样本集合L_correct＝{x_c1，x_c2，…，x_ck}，其中x_ci为正确分类的标记样本，k为正确分类标记样本数；

步骤4：对每一个L_correct中的样本，获得标记样本x_ci在高光谱图像中的位置信息，其中i表示第i个样本；设标记样本x_ci的位置坐标为(ii,jj)，所求邻域为以(ii,jj)为中心，边长为L的正方形，则设邻域样本集在高光谱图像中的位置信息为Dⁱ_neighbour；

步骤5：在邻域样本位置集合Dⁱ_neighbour中找到属于未标记样本的位置，并获得对应标记样本x_ci的邻域未标记样本集Uⁱ_AP；将标记样本x_ci加入到样本集Uⁱ_AP中；

步骤6：对Uⁱ_AP求相似矩阵S；表达式为：

s(a，b)＝-SCA(x_a，x_b)a≠b

s(b，b)＝min(s)b∈(1，n_AP)

其中x_a，x_b为Uⁱ_AP中样本，SCA(x_a，x_b)为样本x_a，x_b高光谱图像的光谱相关角，SCC(x_a，x_b)为样本x_a，x_b的高光谱图像间相关系数，μ_a，μ_b为样本x_a，x_b的均值，矩阵S为Uⁱ_AP的相似矩阵，min(·)为目标集合的最小值；

步骤7：设矩阵re为吸引度，矩阵av为归属度，更新re，av；re,av的更新公式如下：

re(a，b)＝s(a，b）-max_j，j≠b{av(a，j)+s(a，j)}

其中，max(·)表示目标集合中的最大值；

设Uⁱ_AP中样本的范例样本标签向量为c，则有：

c(a)＝max_b(av(a，b)+re(a，b))

迭代过程的结束条件为超过预设最大迭代次数或每一个c(a)保持不变达到预设次数；

在迭代过程中引入阻尼系数λ，则有：

av_t+1＝λ·av_t-1+(1-λ)·av_t

其中re,av为吸引度和归属度矩阵，λ为阻尼系数(0.5≤λ＜1)，t为当前迭代次数；

步骤8：通过Uⁱ_AP中样本的范例样本标签向量c，找到与x_ci同一聚类的样本，得到可信未标记样本集Uⁱ_true；

步骤9：将可信未标记样本集Uⁱ_true加入到标记样本集L中，样本标签为l_i；

步骤10：判断是否对L_correct中所有样本处理完成，如果是，则迭代次数加1，并判断迭代次数是否超过预设值或分类精度改变值不超过预设阈值次数是否超过预设值，如果是，则算法结束；如果否，则转到步骤2；如果对判断是否对L_correct中所有样本处理完成为否，则转到步骤4。

2.如权利要求1所述的高光谱图像分类方法，其特征在于，Dⁱ_neighbour的表达式为：

mm＝[-HL，…，HL]

nn＝[-HL，…，HL]

其中，mm，nn为邻域样本对中心样本位置的相对位置，HL为邻域范围半径；设x_ci的样本标签为l_i。