[发明专利]一种高光谱影像无监督自适应分类方法

权利要求书

1.一种高光谱影像无监督自适应分类方法，其特征在于，包括：

S1、选择两组地物类别相同但分布不同的高光谱场景图像，一个作为源数据集，即源域；另一个作为目标数据集，即目标域；

S2、构建以卷积神经网络为基础的深度学习网络模型作为特征提取器，特征提取器用于提取地物的分类特征；

分别构建两个网络模型作为分类器、判别器；分类器用于对样本进行具体类别的划分；判别器用于区分样本的来源以及样本的内容是否对齐；

S3、交替训练特征提取器、分类器和判别器，直至训练特征提取器、分类器和判别器的损失函数都达到最小值；

S4、用训练好的特征提取器和分类器对目标域分类，得到分类结果图。

2.根据权利要求1中所述的一种高光谱影像无监督自适应分类方法，其特征还在于，S3中所述分类器的训练包括：

S311、建立源域的样本(X_S,Y_S)的分类损失函数：

其中，为源域的样本(X_S,Y_S)的分类损失，源域的样本为{(X_S,Y_S)}＝{(x₁,y₁),(x₂,y₂),......,(x_i,y_i)}，k为类别，K代表类别总数，H(*)为交叉熵损失函数，M为特征提取器；

S312、建立目标域的样本X_T的分类损失函数：

其中，为目标域的样本X_T的分类损失，C为分类器，目标域的样本为X_T＝{x₁,x₂,......,x_j}，为条件交叉熵，p_j(k)为样本x_j属于第k类的概率；

S313、建立分类器的损失函数：

其中，L_cls表示分类器的训练结果。

3.根据权利要求1中所述的一种高光谱影像无监督自适应分类方法，其特征还在于，判别器的训练过程中采用了内容对齐，所述内容对齐包括：域对齐和类别对齐；S3中所述判别器的训练包括：

S321、建立域对齐模块的损失函数：

其中，表示域对齐模块的损失，D表示域判别器，d_k表示域，将源域的样本标记为1，目标域的样本标记为0，用于训练的不带标记的样本集为

S322、建立类别对齐模块的损失函数：

其中，表示类别对齐模块的损失，p_i(k)表示样本x_i属于第k类的概率，计算公式为：

p_i(k)＝C(M(x_i)) (6)

S323、建立判别器的训练函数：

其中，L_D表示判别器的训练结果。