本發明公開了一種基于非重復采樣和原型網絡的高光譜圖像分類方法，主要解決現有技術中在小樣本學習場景下，由于訓練樣本較少而引起的過擬合現象和訓練過程中由于學習到測試樣本，造成分類結果“虛高”的問題。其實現方案為：1)利用非重復采樣法從預處理后的數據集中采集出訓練集和測試集；2)構建高光譜圖像原型分類網絡；3)利用訓練集對高光譜圖像原型分類網絡進行訓練，得到訓練好的網絡最優模型；4)將測試集輸入到網絡最優模型中，得到測試數據分類結果。本發明解決了現有小樣本場景下存在的過擬合問題，同時又保證了分類精度，可應用于地質勘探、城市遙感和海洋探測。

技術領域

本發明屬于圖像處理領域，進一步涉及一種高光譜圖像分類方法，可用于地質勘探、城市遙感和海洋探測。

背景技術

高光譜圖像分類是圖像處理領域研究的重點。高光譜圖像具有數據量大、波段多、波段間相關性強等特性，給其在分類和識別應用中帶來了許多挑戰。近年來高光譜圖像分類技術得到了很大提升，現有的高光譜圖像分類方法有基于支持向量機SVM的高光譜圖像分類方法、基于擴展形態學剖面EMP的傳統高光譜圖像分類方法、基于二維卷積神經網絡2DCNN的深度學習高光譜圖像分類方法等。其中：

基于支持向量機SVM的高光譜圖像分類方法是由L.Bruzzone等人在2006年提出。先使用主成分分析方法對高光譜數據進行降維，再選取合適的核函數使用支持向量機對降維后的數據進行分類。然而，該方法只利用了光譜信息，因此在估計像素時更容易出現噪聲。

基于擴展形態學剖面EMP的高光譜圖像分類方法是由J.A.Benediktsson等人在2005年首次提出。首先使用主成分分析來對原始高光譜數據進行主成分變換，并對前三主成分數據進行存取。然后使用4個不同尺寸的圓形結構元素分別對前三主成分的每一主成分數據進行形態學開操作和閉操作，獲得其擴展形態學剖面EMP數據，最后使用支持向量機SVM對EMP數據進行分類。雖然EMP方法考慮了空間信息，分類精度有所提高，但是仍然存在大量的分類噪聲。

基于二維深度卷積神經網絡2DCNN的高光譜圖像分類方法是由羅建華等人在2017年提出。該方法首先利用主成分分析法對高光譜遙感圖像進行光譜特征提取，消除特征之間的相關性，并降低特征維數，然后利用深度卷積神經網絡對輸入的樣本進行空間特征提取，最后通過學習到的高級特征進行邏輯回歸訓練。該方法具有很強的學習能力，分類效果也顯著突出。然而深度卷積神經網絡訓練過程中需要大量的樣本，現有的可用于訓練的高光譜圖像樣本又很少，因此將深度卷積神經網絡應用到高光譜圖像分類中，容易產生過擬合，泛化能力較弱等問題。

發明內容

本發明的目的在于提供一種基于非重復采樣與原型網絡的高光譜圖像分類方法。在原型網絡的基礎上加入了非重復采樣，不僅能夠解決在小樣本場景下產生的過擬合問題，提高了網絡分類性能，還能有效避免運用傳統采樣方法獲得的訓練樣本和測試樣本數據交叉，使得最終的分類結果更可靠。

為實現上述目的，本發明技術方案是：獲取五個公開的高光譜數據集；分別對數據集進行預處理；采用非重復采樣方法得到訓練集和測試集；構建一個高光譜圖像原型分類網絡并設置各層參數；訓練高光譜圖像原型分類網絡；將測試集輸入到訓練好的高光譜圖像原型分類網絡中，輸出分類結果。其實現步驟包括如下：

(1)從高光譜數據庫中挑選出PaviaU，Pavia，Salinas，Indian_pines和Botswana五個數據集，分別進行讀取，得到每個數據集中三維矩陣數據域為m×n×h，其標簽域為二維矩陣m×n，其中h代表高光譜圖像的光譜維度，(m,n)表示某一光譜上像元的位置；

(2)對(1)中獲取的五個數據集，分別利用每個數據集中三維矩陣數據域進行數據歸一化處理、去除背景類和降維操作的預處理，以消除噪聲和冗余信息帶來的影響；