[发明专利]一种高光谱图像分类方法

说明书

本发明公开了一种高光谱图像分类算法，结合自训练半监督分类算法和吸引子传播算法，与传统的自训练半监督分类算法不同，本发明提出算法在3个方面有所改进。首先，提出算法引入吸引子传播算法自适应的搜索可信度高的未标记样本。其次，提出算法使用“邻域”限制未标记样本的搜索范围，提高可靠性。与传统的基于分割的空间信息提取算法相比，能有效减少运算量。第三，提出算法使用光谱相关角构造吸引子传播算法的相似度矩阵。本发明将提出算法在经典高光谱图像Indian Pines上与高斯混合模型半监督分类算法、拉普拉斯支持向量机、基于k近邻的自训练半监督分类算法比较。提出算法较对比算法有较高的全局分类精度，有更快的收敛速度。

技术领域

本发明涉及高光谱图像分类技术领域，特别涉及一种高光谱图像分类方法。

背景技术

高光谱遥感图像丰富的空间信息和光谱信息为地物精确识别提供有利条件。但是，由于高光谱数据有标记样本稀少且难以获得，导致在高光谱数据处理中容易出现Hughes现象。为了解决这个问题，很多学者专注于研究半监督学习算法。半监督学习算法是一类利用少量的有标记样本和大量的未标记样本，通过半监督学习策略，提高少标记样本条件下分类精度的分类方法。目前，半监督学习的学习策略主要有生成模型(Li et al.(2013))、自训练模型(Wang C et al.(2018),Fazakis et al.(2019))、联合训练模型(Jian-Hua Z et al.(2013),Son L H et al(2016))、图模型(Jamshidpour N et al(2017),Shao Y et al(2017))和直推式模型(Bruzzone L et al.(2006))。近年来，很多半监督学习方法与深度学习方法结合，产生了很好的效果(Zhan Y et al(2018)，Kang X etal.(2019))。

在半监督学习算法中，自训练模型是一种常用的策略方案。自训练模型搜索可信度高的未标记样本加入标记样本参与训练，通过迭代过程提高分类效果。为了更好的利用未标记样本参与高光谱图像分类，学者们提出了很多基于自训练模型的半监督分类方法。Wang J et al.(2015)，Aydav P S S et al.(2018)，Li F et al.(2018)。自训练模型受分类器性能和噪声的影响较大，如果在搜索过程中引入了错误的未标记样本，会导致分类精度下降。

吸引子传播算法是2007年提出的一种基于范例的聚类方法。该算法通过样本间的信息传递，找到每个样本点的范例样本，从而达到聚类的目的。吸引子传播算法计算简单、初始化不敏感，常用于非监督和半监督算法中。在高光谱数据处理中，吸引子传播算法也得到了广泛的应用。例如，Qian Y.et al.(2009)，Chen Y.et al.(2017)，Chehdi K.et al.(2014)，Yang C.et al.(2018)。目前可查的文献多使用吸引子传播算法结合特征提取算法或监督分类算法提高目标算法性能，在半监督分类中的应用较少。

发明内容

本发明的目的在于提供一种高光谱图像分类方法，可以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种高光谱图像分类方法，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：