[发明专利]基于主动学习和半监督学习的高光谱图像分类方法

摘要

本发明公开了一种基于主动学习和半监督学习的高光谱图像分类方法，克服了现有技术下标记样本数不足、选取的样本信息量低的问题。本发明具体实现的步骤为：(1)输入数据；(2)获取聚类图；(3)设置最大迭代次数为22；(4)分类；(5)区域划分；(6)区域样本标记；(7)更新样本集；(8)判断最大迭代次数是否为0，若是，则执行步骤(9)，否则，将最大迭代次数减1后执行步骤(4)；(9)利用更新后的训练样本集训练支撑向量机SVM对测试样本集进行分类，输出高光谱图像分类图。本发明利用了区域划分策略选取信息量高的样本，同时，也减少了标记样本的数量，促进了分类精度快速地提高。

主权项

1.一种基于主动学习和半监督学习的高光谱图像分类方法，包括以下步骤：(1)输入数据：(1a)输入一幅待分类的高光谱图像；(1b)输入与待分类的高光谱图像对应的高光谱图像数据集；(1c)从输入的高光谱图像数据集的样本中，选取与高光谱图像数据集地物类别分别对应的训练样本集；(1d)将高光谱图像数据集中剩余的样本作为测试样本集；(2)获取聚类图：采用迭代数据分析均值漂移法，对待分类的高光谱图像进行聚类操作，得到待分类的高光谱图像的聚类图；(3)设置最大迭代次数为22；(4)分类：利用训练样本集训练支撑向量机SVM对测试样本集进行分类，得到待分类高光谱图像的分类图；(5)区域划分：(5a)利用全局划分法，将聚类图中的所有区域划分为待划分区域和不可信区域；(5b)利用局部划分法，将待划分区域划分为可信区域和不可信区域；(5c)将聚类图的不可信区域和待划分区域的不可信区域以集合求并集的形式合并，得到不可信区域集合，将待划分区域的可信区域作为可信区域集合；(6)区域样本标记：(6a)从可信区域集合的各个区域中选取多类别不确定性MCLU值最小的样本，将分类图中与该样本对应的分类标签作为该样本的类别标签；(6b)从不可信区域集合的各个区域中选取多类别不确定性MCLU值最小的样本，将待分类的高光谱图像对应的高光谱图像数据集中与该样本对应的真实类别标签作为该样本的类别标签；(7)更新样本集；(7a)将训练样本集和从各个区域中所选取的多类别不确定性MCLU值最小的样本以集合求并集的形式合并，得到更新后的训练样本集；(7b)从测试样本集中减去与从各个区域中所选取多类别不确定性MCLU值最小的样本相同的样本，得到更新后的测试样本集；(8)判断最大迭代次数是否为0，若是，则执行步骤(9)，否则，将最大迭代次数减1后执行步骤(4)；(9)利用更新后的训练样本集训练支撑向量机SVM对测试样本集进行分类，输出高光谱图像分类图。