[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

说明书

一种样本关系学习高光谱图像分类方法及系统，所述方法为采用深度神经网络提取单样本特征，运用共性特征提取获得多样本的共性特征；然后采用特征链接，将待分类样本的特征与单类别的共性特征链接起来，获得度量特征；最后使用度量学习计算度量特征的关系评分；并基于待分类样本与每个类别的共性特征，所计算得到的关系评分集，在训练阶段计算损失值，并利用反向传播算法更新模型的参数，在应用时，通过最大概率值，判断待分类样本的类别信息，并逐像元生成分类结果图；本发明能充分挖掘多类别样本之间的差异性，并且只需要少量标注样本就能实现高光谱图像中不同类别信息的高精度识别。

技术领域

本发明涉及光谱图像分类识别的领域，特别涉及一种样本关系学习高光谱图像分类方法及系统。

背景技术

高光谱图像具有高光谱分辨率的优势，所包含的信息能反映地物类型的外部品质特征(包括大小、形状、缺陷)和内部物理结构、化学成分的差异，一直是非常重要的一种应用数据。因其丰富的光谱特征，它在材质分类、地表覆盖分类、精准农业、以及环境监测等方面有着重要的应用价值。高光谱图像光谱维度高，不同地物的光谱呈现出有类内差异大、类间差异小的现象。故而为了从高光谱图像中提取关键信息，通常需要大量的标注样本，并构建复杂度高的分类模型。如，近年来深度神经网络模型被广泛应用于高光谱图像分类领域，并取得了令人瞩目的成就。

然而，深度神经网络模型本质上是依赖于大数据驱动的，这使得高光谱图像中的小样本问题日益突出。具体来说，高光谱图像的样本收集，无法通过目视解译从图像中获得，通常依赖于专业人员在实地的勘察得到，这意味着其样本采集工作需要大量的人力物力。因此，小样本情况下，高精度的高光谱图像分类模型的研究具有重要的应用价值。

针对小样本情况下如何充分训练深度神经网络，最直接的方案时利用数学变换增加样本(伪标记样本或虚拟样本)，例如利用自训练方法生成带伪标记的样本，或利用生成对抗神经网络获得同分布的虚拟样本。但是，这样增加的样本信息依然仅限于小样本数据空间的信息范围，故而对深度神经网络的性能提升依然是有限的，并且容易产生错样本，进而造成累计误差。如果能够从多个样本关系的角度出发，利用模型学习到对比样本差异的能力，这样不仅可以通过多样本重组获取大量的训练数据，而且模型在训练过程中能够充分学习多样本关系：待分类样本与各类别样本之间的差异性，这种关系应用于分类模型中可以发挥重要的作用。

因此，如何能够构建样本关系学习的深度神经网络模型，对于高光谱图像分类，以及高光谱数据的应用，成为现有技术亟需解决的技术问题。

发明内容

本发明的目的在于克服现有高光谱图像分类领域中的训练样本匮乏的问题，提出一种样本关系学习的高光谱图像分类方法及系统，利用该方法及系统，训练过程中仅需要少量的标注样本，且能够学习到待分类样本与不同类别样本共性特征(类似于类别原型)之间的差异性评分。本发明能充分挖掘多类别样本之间的差异性，并且只需要少量标注样本就能实现高光谱图像中不同类别信息的高精度识别。

为达此目的，本发明采用以下技术方案：

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；