[发明专利]一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法

摘要

本发明公开了一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法，实现步骤如下：以现有航空影像分类数据集作为源域样本，待分类航空影像作为目标域影像，仅标注少量目标域样本；计算源域样本和目标域影像的词袋特征，用改进的粒子群优化算法对原始词袋特征进行降维，利用迭代筛选TrAdaboost动态构建训练样本集，剩余源域训练样本与待分类影像的少量样本结合构成新的训练样本集，完成源域到目标域的样本迁移，把降维后新训练样本的词袋特征投入TrAdaboost分类器训练，用训练后的分类器对目标域影像进行分类。本发明与传统的分类方法相比，具有速度快、需要标注样本较少的优点，大大节约了标注样本所需的人力和物力。

主权项

1.一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法，其特征在于，包括如下步骤：(1)输入源域已有标签样本其中每张样本影像的大小为m×n，N_s为源域样本的数量；(2)待分类目标域影像为N_t为待分类目标域影像的数量；(3)对所有源域样本和目标域待分类影像，输入充足的源域标签Y_s和少量目标域标签Y_t，Y_s,Y_t∈{1,2,..,k}，计算其词袋特征向量X_s和X_t；(4)使用基于改进的粒子群优化算法对词袋特征向量X_s和X_t进行降维,得到源域和目标域降维后的特征向量X_s(R)和X_t(R)；(5)把降维后的特征向量X_s(R)和X_t(R)投入TrAdaboost分类器，使用改进的校正因子更新源域样本权重；(6)对更新后的源域样本权重设定阈值，权重低于该阈值的样本被剔出源域样本集；(7)重复(5)‑(6)直到没有源域样本被剔除，使用剩余源域样本和少量目标域样本训练TrAdaboost分类器；(8)使用训练好的TrAdaboost分类器对测试影像进行分类，得到分类标签l。