[发明专利]一种高光谱影像无监督自适应分类方法

说明书

本发明公开了一种高光谱影像无监督自适应分类方法，包括：S1、选择两个地物类别相同但分布不同的高光谱场景图像；S2、根据高光谱影像的特点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、分类器、域判别器；S3、交替训练分类器和特征提取器，直到域判别器不能正确区分两个域，判别过程通过采用深层特征和风格特征两部分的内容将源域和目标域进行对齐；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。本发明采用深度神经网络搭建特征提取器用于提取特征，并且同时构建分类器和域判别器；利用深层特征对齐和风格特征对齐两方面的内容减小两个域的差异，一定程度上缓解了跨域分类中的特征对齐难题。

技术领域

本发明属于高光谱影像分类技术领域，具体涉及一种高光谱影像无监督自适应分类方法。

背景技术

高光谱影像由于具有光谱分辨率高、波段众多等显著特点，较于常规遥感影像，有更广泛的应用，如在实际应用中，常常被用来对目标范围内各地物进行分类识别。现有高光谱分类方法多采用监督方式通过对目标范围图像的空间和光谱信息进行分析和处理，往往可以得到较高的分类精度。然而，大规模无标注样本数据的现状对于无监督高光谱分类提出了广泛去修。根据高光谱图像的特点，一幅图像中常常包含多种地貌特征，其中如植被、建筑等地貌在其他图像中也常常出现，这一特征使得高光谱图像数据可以进行重复利用。在无标注数据的情况下，利用深度迁移学习算法在多个高光谱图像中进行跨域分类可以避免使用大量的标记样本，节省标记样本的成本。

针对迁移学习的影像分类问题，研究者已经做了大量的工作，但是面对复杂的高光谱影像，仍然面临着巨大的挑战。利用域自适应的技术对高光谱图像进行分类有重要的理论意义，首先域自适应可以对有地物标记的图像反复利用，而采用深度的方式可以更有效地从领域样本空间提取深层特征，与传统的提取特征方式相比，实现了更好的分类精度。同时，从一定程度上可以解决高光谱图像缺少带标记的训练样本而导致分类精度不高的问题，在高光谱图像地表精细分类等方面具有重要的应用价值。

发明内容

本发明提供一种高光谱影像分类方法，以克服以上问题。

本发明包括：

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，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。

进一步地，分类器参数的训练包括：

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：