1.一种新的高光谱图像数据半监督分类方法,其特征在于,该方法包括下述步骤:步骤一:获取到所有的高光谱数据,并将其作为初始数据;
步骤二:使用稀疏子空间聚类作为聚类方法来聚合所有的初始数据,并获取所有初始数据的伪标签;初始数据的伪标签是通过稀疏子空间聚类直接获得;
步骤三:在CNN1中对所有的初始数据及其伪标签进行预训练;
对于CNN1中分类层中的目标函数,提出了基于度量学习的新的目标函数;
步骤四:利用CNN1除去最后的分类层,再加上全连接层构成了CNN2;
步骤五:将带标签的数据以及它们的标签在CNN2上进行微调;
步骤六:在分类层之后,通过马尔可夫随机场,利用高光谱图像的空间信息,进一步对分类结果进行后处理,提高分类精度。
2.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述初始数据包括标记高光谱数据和未标记高光谱数据;同时利用标记高光谱数据和未标记高光谱数据对CNN1进行训练。
3.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤三中CNN1是指代初始的深层卷积神经网络。
4.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤三中预训练是指把全部的初始数据及其伪标签,放入神经网络CNN1中进行训练;预训练可以通过大量初始数据来预先训练网络CNN1并获得一组适当的参数,可以学习到特征;
因为初始数据中标记的数据少,这里用到了未标记的高光谱数据和标记的高光谱数据。
5.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤四中CNN2是指代新的深层卷积神经网络;它是由CNN1去除了最后的分类层,再加全连接层构成的;对于CNN2中分类层的目标函数,就是softmax交叉熵损失函数。
6.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤五中微调是指带有真实标签的数据及其标签作为初始数据,放到CNN2中进行训练。
7.根据权利要求1所述的一种新的高光谱图像数据半监督分类方法,其特征在于,所述步骤六中通过马尔可夫随机场进一步利用其空间信息,具体表现为在图像分类任务中,马尔可夫随机场鼓励相邻像素具有相同的类标签;这可以进一步提高高光谱图像分类任务的分类准确率;马尔可夫随机场的作用是假设相邻像素更可能属于同一类,鼓励邻近像素属于同类标签。