基于梯度提升决策树半监督算法融合的高光谱图像分类 .pdfVIP

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(10)申请公布号CN106203523A

(43)申请公布日2016.12.07

(21)申请号CN201610561589.1

(22)申请日2016.07.17

(71)申请人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人张向荣焦李成张鑫冯婕白静马文萍侯彪马晶晶

(74)专利代理机构陕西电子工业专利中心

代理人韦全生

(51)Int.CI

G06K9/62

G06K9/00

权利要求说明书说明书幅图

(54)发明名称

基于梯度提升决策树半监督算法融

合的高光谱图像分类

(57)摘要

本发明提出了一种基于梯度提升决

策树半监督算法融合的高光谱图像分类方

法，用于解决现有基于主动学习与半监督

学习相结合的高光谱图像分类中存在的分

类精度较低的技术问题，其步骤包括：(1)

输入高光谱图像数据；(2)提取样本点特

征；(3)训练梯度提升决策树分类器参数；

(4)对学习集中样本点分类；(5)评估样本点

置信度；(6)通过稀疏表示筛选样本点；(7)

更新有标记训练集；(8)输出分类结果。本

发明利用分类器预测结果以及稀疏表示对

无标记样本点的置信度进行评估，根据无

标记样本点置信度的高低，划分为两个集

合进行不同的处理，在提高分类精度的同

时减轻了人工标记的负担，可用于地质调

查、大气污染等领域。

法律状态

法律状态公告日法律状态信息法律状态

权利要求说明书

1.一种基于梯度提升决策树半监督算法融合的高光谱图像分类方法,包括如下步骤:

(1)输入包含C类、N个样本点的高光谱图像,对每个样本点取其邻域窗口,取该窗口

内所有样本点每一维特征的最大值作为该中心样本点的空间特征,将样本点的光谱

特征与空间特征串联,得到样本点的空谱特征向量;

(2)从输入的高光谱图像中选取有标记训练集、学习集和测试集,实现步骤为:

(2a)从输入的高光谱图像的每类样本点中,随机选取r个样本点,得到有标记训练集其

对应的类别标记集为其中,n为有标记训练样本点总个数,且n=C×r,xsubi/sub为

有标记训练集的第i个有标记样本点,lsubi/sub为第i个有标记训练样本点所属

的类别标号,lsubi/sub∈{1,2,...,C},R为实数域,D为样本点的特征维数;

(2b)从选取的n个有标记样本点以外的样本点中,随机选取比例为per1的样本点,得

到学习集其中,s为学习集样本点总个数,且s=(N-n)×per1,zsubq/sub为学习集中

的第q个样本点;

(2c)利用剩余样本点构成测试集m为测试集样本总个数,m=N-n-s,ysubj/sub为

测试集的第j个测试样本点;

(3)利用有标记训练集中的样本点的特征向量与对应的类标矩阵,对梯度提升决策树

GBDT分类器参数进行训练,每两类有标记样本点可训练得到一个二分类器模型,最

终,C类有标记样本点可得到C×(C-1)/2个二分类器模型;

(4)将学习集中的样本点输入到得到的多个二分类器模型中,得到该学习集Z中每个

样本点的预测类标k;

(5)根据得到的学习集中每个样本点zsubq/sub的预测类标k,判断每一个二分类

器模型中,每个样本点zsubq/sub被分到第k类时,类标k的取胜次数P是否等于

C-1,若是,则将该样本点加入空集Ssubsemi/sub中,否则,将样本点加入空集

Ssubact/sub中;对学习集Z中的所有样本点逐一进行判断,得到集合和集合其

中,zsubq1/sub为集合Ssubsemi/sub中的样本点,zsubq2/sub为集合

Ssubact/sub中的样本点,s为集合Ssubsemi/sub中的样本点总个数,s′′为集合

Ssubact/sub中的样本点总个