[发明专利]一种样本关系学习的高光谱图像分类方法及系统

权利要求书

1.一种样本关系学习高光谱图像分类方法，包括

包括两个阶段：训练方法和应用方法，

所述训练方法，具体步骤如下：

目标类别样本集构建步骤S110：对某传感器的高光谱图像库，选取质量较高经过辐射校正的高光谱图像，构建包含不同目标类别的样本集X，每种样本的数量最少可至100像元；

模型支撑样本集构建步骤S120：将所述的目标类别样本集X中的样本按类别划分成不同的子集，即将类别相同的样本放在一起构成单独的子集，然后将划分好的子集作为元素构成新的集合，成为支撑样本集S；

模型查询样本集构建步骤S130：将所述的目标类别样本集X，按照等比例复制扩充，保证扩充后每个类别样本数量相同，得到查询样本集Q_train，以用于训练；

模型输入实例集合构造步骤S140：在所述的支撑样本集S中，每个类别随机选择n个样本s_j＝{x_j1，…，x_jn}，j∈{1，…，C}，在训练用的所述查询样本集Q_train中，随机选择一个样本x_q，组成一个训练的输入实例重复上述输入实例构造过程，得到模型训练的输入实例集；

单样本特征提取步骤S150：从训练用的输入实例集中随机选择若干实例，对其中的每个实例中的样本，包括支撑样本和训练查询样本，运用深度神经网络分别提取实例中每个样本的特征，得到支撑样本的单样本特征：以及训练查询样本的单样本特征其中为单样本特征提取参数；

共性特征提取步骤S160：将实例中每个类别的支撑样本特征利用深度神经网络生成该类别的共性特征其中为共性特征提取参数；

度量特征链接步骤S170：将实例中的训练查询样本特征，也就是待分类样本的单样本特征与所述的某类别的共性特征运用链接方法得到待度量特征其中η为特征链接参数；

度量特征评分步骤S180：将所述的待度量特征输入到深度神经网络g_ψ，得到关系评分，所述关系评分表示训练查询样本x_q属于第j类的概率值，其中ψ为度量参数；

模型参数更新步骤S190：基于所述关系评分利用损失函数计算所选若干实例的损失总和，利用反向传播机制更新模型的参数，最后完成模型的训练，即根据所述的若干实例集，不断迭代步骤S150-S180，优化单样本特征提取参数共性特征提取参数特征链接参数η和度量参数ψ，直到任意批次实例集的损失函数稳定逼近0；

所述应用方法，具体步骤如下：

对于给定的待分类高光谱图像按逐像元方法依次推断类别标签，根据待分类像元，构建待分类样本实例，依次运用训练好的相关步骤，包括单样本特征提取步骤、共性特征提取步骤、度量特征链接步骤和度量特征评分步骤，得到待分类样本实例的关系评分集，然后根据最大评分得到待分类像元的类别信息，最后根据逐像元的推断结果，生成分类结果图像。