[发明专利]一种基于校正原型学习的高光谱影像分类方法

说明书

本发明公开了一种基于校正原型学习的高光谱影像分类方法，包括选取高光谱场景图像，随机提取部分样本作为训练集；随机选出支持集和查询集；搭建深度网络模型，并计算学习度量空间中的初始类原型；搭建带有残差块的卷积神经网络；S4：训练所述深度网络模型；S5：选取测试数据集，从中随机选取监督样本，并对所述监督样本的分布做校正标准化处理；S6：计算测试集样本与所述测试类原型的欧式距离。本发明利用基于校正原型学习的高光谱分类方法对高光谱图像进行分类，通过选取支持集和查询集，避免使用大量的标记样本，节省样本标记成本。与传统原型网络相比，得到了更好的分类精度，在高光谱图像地表精细分类等方面具有重要的应用价值。

技术领域

本发明属于高光谱影像分类技术领域，具体涉及一种基于校正原型学习的高光谱影像分类方法。

背景技术

高光谱遥感实现了图谱合一，包含丰富的光谱信息和空间信息，在精准农业、军事侦察、地质勘探等领域具有广泛应用。高光谱图像分类是高光谱图像研究的热点，并且随着深度学习的深入探索和应用，高光谱图像分类技术取得了很大的进展。然而，有限的有标签样本是制约高光谱图像分类发展的一个重要原因。现有的网络模型和方法大多是基于人工标注的样本数据，但这种方法费时费力且效率低下。

发明内容

本发明提供一种基于校正原型学习的高光谱影像分类方法，以克服现有的网络模型和方法大多是基于人工标注的样本数据，费时费力且效率低下，且有限的有标签样本制约高光谱图像分类发展的技术问题。

为了实现上述目的，本发明的技术方案是：

一种基于校正原型学习的高光谱影像分类方法，包括：如下步骤：

S1：选取高光谱场景图像，从中随机提取部分样本作为训练集；并从所述训练集中随机选出支持集和查询集，以作为为后续获取校正的类原型和学习度量空间的训练集；

S2：搭建深度网络模型以提取所述样本的空间-光谱特征和学习度量空间，并计算学习度量空间中的初始类原型；

S3：搭建带有残差块的卷积神经网络对所述初始类原型进行校正，以获取校正的类原型；

S4：采用校正的学习度量方法训练所述深度网络模型，得到校正的深度网络模型，以使得所述校正的类原型更加稳健；

S5：在所述高光谱场景图像中选取测试数据集，从中随机选取监督样本，并对所述监督样本的分布做校正标准化处理，以采用所述校正的深度网络模型获取测试数据集中每一类的测试类原型；

S6：计算测试集样本与所述测试类原型的欧式距离，以获得对所述高光谱图像的分类结果。

进一步的，所述深度网络模型是基于二维卷积操作的深度网络而搭建，包括归一化层、最大池化层、非线性激活函数层和全连接层。

进一步的，所述残差块包括第1层、第1+1层和第1+2层；

所述残差块的第1层和第1+2层均包括第一卷积层和ReLU层；

所述残差块的第1+1层包括第二卷积层、ReLU层和第三卷积层。

进一步的，所述卷积神经网络包括一个残差块和一个softmax层。

进一步的，所述支持集和查询集的选取方法采用的是元学习策略；所述支持集为包含有标签样本的集合，所述查询集为不包含标签样本的集合。

进一步的，获取校正的类原型的步骤如下：

S31：建立所述初始类原型为：