[发明专利]一种高光谱图像小样本分类方法

说明书

本发明公开了一种高光谱图像小样本分类方法，采用寻找超像素的方法，将一个训练样本所属的超像素内所有的像素标记为同类，作为扩充样本对小样本进行第一次扩充，在第一次扩充的基础上，采用两两配对的方法实施第二次扩充，进一步扩充的样本数量，并以像素对方式增加了单样本的光谱信息，不但解决了现有高光谱图像训练样本数量低、获取难、分类精度低的技术问题，提高了样本数量，从而提高了分类正确率，还以像素对形式提高了单样本包含的光谱信息，进一步提高了分类的正确率。

技术领域

本发明属于高光谱图像分类技术领域，具体地说，是涉及一种高光谱图像小样本分类方法。

背景技术

高光谱遥感技术集合了光谱和成像，可同时获得图像信息和光谱信息。光谱信息中光谱波段众多，且每个像元具有连续且分辨率较高的光谱。高光谱“图谱合一”的特点，提高了其应用于表征地物形态、对地物和目标进行定性和定量分析的准确率，使得高光谱成像技术在资源勘探、生态环境监测、土地覆盖分类和目标识别等方面有了广泛的应用。

在高光谱图像实际应用中，通常只有少量的可用训练样本，训练样本的获取需要根据经验或者实地考察收集，费时费力且昂贵。高光谱图像可用训练样本有限，会导致分类精度无法提高。通过算法和策略解决高光谱图像有限训练样本带来的模型不适配问题，从而提高分类正确率，是目前研究者们研究的热点。

针对高光谱图像训练样本有限的问题，现有技术中提出了多种小样本策略，包括数据扩充、迁移学习、主动学习等，其中数据扩充最为广泛应用。

数据扩充是解决小样本问题的一种有效方法，通过从给定的已知样本中创建新的训练样本，实现样本扩充，在一定程度上提高了高光谱图像小样本分类的准确率，但是小样本分类问题仍旧是高光谱图像研究的重点，尤其是在极小样本分类问题。

发明内容

本发明的目的在于提供一种高光谱图像小样本分类方法，采用超像素方法对小样本实施一次扩充，在一次扩充基础上采用两两配对方式实施二次扩充，集合超像素和像素对的优势，显著提高训练样本数量，解决现有高光谱图像训练样本有限的技术问题，提高分类的准确性。

本发明采用以下技术方案予以实现：

提出一种高光谱图像小样本分类方法，包括：

1，从高光谱图像中随机选取N个训练样本；

2，对N个训练样采用如下步骤实施第一次扩充，包括：

1)以超像素个数采用等距离抽样方式选取中心像素；

2)针对每个中心像素的邻域，采用D_{all_sam}＝D_{spec_sam}+rD_spat计算每个像素与中心像素的第一空谱距离，选取前S*S个第一空谱距离对应的像素集合为一个超像素，若在超像素中包含训练样本，则将超像素中的像素类别均标记为与包含的训练样本一致的类别；

为采用光谱角计算的光谱差异，p_i为邻域内第i个像素的光谱信息，p_c为中心像素c的光谱信息；

邻域为围绕一个中心像素的2S*2S个像素；D_spat为空间距离，r为平衡光谱信息和空间信息的权重；

3)针对每个中心像素的邻域，采用D_{all_pca}＝D_{spec_pca}+rD_spat计算一个邻域中每个像素与中心像素的第二空谱距离，选取前S*S个第二空谱距离对应的像素集合为一个超像素，若在超像素中包含训练样本，则将超像素中的像素类别均标记为与包含的训练样本一致的类别；