[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

说明书

本发明公开了图像分类技术领域的一种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，提升了模型对少类别样本的拟合程度、模型分类性能，减少了模型干扰。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。

技术领域

本发明属于图像分类技术领域，具体涉及一种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。

背景技术

高光谱图像(HSI，hyperspectral image)拥有上百个几乎连续的谱段，提供了丰富的光谱信息。由于不同类别的地物反射出的光谱具有不同的特征，并且HSI又恰好拥有丰富的光谱信息，所以可以利用其光谱特征来进行地物的分类。HSI分类被广泛地应用于农业统计、矿物侦察、军事监控等行业。

近年来，深度学习方法(CNN)在高光谱图像分类中的应用非常广泛。在这些深度学习结构中，CNN由于具有局部感知，权值共享等特征，被广泛应用于HSI的特征提取任务当中。然而，在目前许多用深度学习进行HSI分类的算法中，研究往往局限于分类器(即深度学习模型)本身，忽视了HSI自身的数据分布特征。首先，HSI这不同于一般的彩色图片分类，彩色图片往往更加容易获取和标注，而HSI数据无法直观的判断像素类别，并且不易获取，同时实际应用中，人工标注训练样本的过程往往是繁琐耗时的，只能获得有限的训练样本。其次，由于地物分布的随机性以及不可预见性，HSI数据无法保证不同类别的像素数量分布均匀。例如在印第安纳印度松树(IP，Indian pines)数据集中，样本最少的燕麦类别仅存在20个，而样本最多的大豆薄荷混合类别却有2455个。在帕维亚大学(PU，Pavia University)数据集中，样本最多的草地类别数量是最少的阴影样本数量的20多倍。由此可见HSI样本分布不平衡的现象是一种普遍现象。而普通的彩色图像数据集，如CIFAR(豪萨语)100数据集，每一类的样本数量都被人为设置成相等的。HSI数据的样本类别数量不平衡会导致深度学习模型对每种类别的拟合程度不同，使得模型对数量少的类别不易识别。再者，由于DA(DataAugmentation,DA，数据扩张)是对原始样本采用一定的变换生成额外样本的，而深度学习模型往往对于微小的变化较为敏感，因此DA会导致原始样本和额外样本之间产生一定的“距离”，干扰深度学习模型的结果，这一点在很多HSI分类算法中常常被忽视了。

发明内容

为解决现有技术中的不足，本发明提供一种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，提升了模型对少类别样本的拟合程度、模型分类性能，减少了模型干扰。

为达到上述目的，本发明所采用的技术方案是：

第一方面，提供一种用于高光谱图像分类的动态数据扩张方法，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。