[发明专利]用于高光谱图像分类的动态数据扩张方法及图像分类方法

权利要求书

1.一种用于高光谱图像分类的动态数据扩张方法，其特征是，包括：

基于动态扩张数据选择算法，对训练样本集中符合设定条件的样本进行样本扩张，获得原始样本和扩张样本；

基于暹罗结构，获取损失函数、原始样本和扩张样本之间的平均相似指数，并配合随机梯度下降法，迭代训练；

所述动态扩张数据选择算法的运行过程为：

C1：根据Y_batch统计X_batch中每种类别的数量，更新cnt中的值；

C2：对cnt按照每个元素的第二个值进行升序排序；

C3：找到cnt中第一个第二个值不为0的元素，更新index的值；

C4：遍历Y_batch、X_batch中的元素，如果某一元素对应的标签等于cnt[index][0]，则将其加入X_DA、Y_DA；

C5：重复C3、C4步，直至X_DA、Y_DA的长度等于n；

C6：对X_DA进行卷积数据变换；

C7：对X_DA、Y_DA和Y_batch、X_batch进行合并得到X_new、Y_new，算法结束；

其中，一个批中的样本为X_batch∈R^m×M×N×C，其对应的标签为Y_batch∈R^m×1，M表示数据块的长，N表示数据块的宽，C表示数据块的通道数，R表示实数，m表示原始样本的总数量，计划扩张的样本的数量为n，满足1≤n≤m，X_DA表示存放计划扩张的样本的列表，Y_DA表示存放X_DA的标签的列表，X_new表示新样本和原始样本合并之后的数据块集合，Y_new表示新样本和原始样本合并之后的标签集合，cnt为初值为[y_p,0]长度为P的列表，其中y_p为每种类别的编号，cnt用来统计X_batch中每种类别的数量，其初始下标index设置为0；

所述基于暹罗结构，获取损失函数、原始样本和扩张样本之间的平均相似指数，并配合随机梯度下降法，迭代训练，具体为：

总体采用三条模型支路共享权值；由选择到的需要进行扩张的原始数据X_DA，其经过卷积变换生成了扩张后的样本，输入到权值共享的网络模型，产生柔性最大值传输函数分类结果，这个结果与直接将X_DA输入模型得到的原始结果计算产生了平均相似指数；同时经过卷积变换的X_DA和原始batch合并产生了X_new，输入到模型中产生了类别交叉熵损失函数；最后将平均相似指数和损失函数线性相加，进行梯度下降优化；最终的损失函数被定义为：

其中，Y^true指的是X_new的真实标签的热编码数组，Y^predict指X_new的预测soft-max值，α是一个常数，S_average指计划扩张样本和原始样本的平均相似指数。

2.一种高光谱图像分类方法，其特征是，包括：

采集高光谱图像并对高光谱图像进行预处理，获取高光谱图像数据集；

将高光谱图像数据集输入基于权利要求1所述的用于高光谱图像分类的动态数据扩张方法训练的分类模型中，得到分类结果。