技术特征：
1.一种非平衡高光谱图像的分类方法，其特征在于，包括以下步骤：1)获取高光谱图像数据并进行波段选择，按照固定尺寸将波段选择后的高光谱图像分割出光谱-空间特征邻域块，再将其按1：99的比例划分为训练样本和测试样本；2)构建非平衡高光谱图像分类网络模型：2a)建立由三个三维卷积模块与二维卷积模块级联，并与两个并联的全连接网络级联，之后再级联重参数模块组成了三维编码器；2b)在隐含空间设置小类别上采样模块；2c)建立由1个全连接层和多个反卷积层构成的三维解码器；2d)建立由1个全连接层构成的图像分类器模块；2e)将三维编码器与小类别上采样模块级联，将三维解码器与分类器并联，小类别上采样模块的输出同时并行输入三维解码器与分类器，形成非平衡高光谱图像分类网络模型；3)对非平衡高光谱图像分类网络模型进行训练：3a)构建该网络模型的总体损失函数l
total
＝λ
·
l
mmd
+l
pdrec
+l
cls
，其中l
mmd
为基于最大化均值差异的正则项损失函数，l
pdrec
为基于邻域距离的重构损失函数，l
cls
为基于交叉熵的分类损失函数，λ为参数；3b)初始化非平衡高光谱图像分类网络模型的参数包括三维编码器中的权重参数w、偏置参数b和参数θ＝{θ1,θ2}、三维解码器中的权重参数w、偏置参数b和参数小类样本特征上采样模块中的均值参数和方差参数及分类器参数η；3c)将训练样本输入到非平衡高光谱图像分类网络模型，采用梯度下降方法，循环更新非平衡高光谱图像分类网络中的参数，以减小总损失函数的梯度值，直至达到最大迭代次数t为止，得到训练好的非平衡高光谱图像分类网络模型；4)将测试样本输入到训练好的非平衡高光谱图像分类网络模型，输出高光谱图像分类结果图。2.根据权利要求1所述的方法，其特征在于：所述1)中获取高光谱图像数据并进行波段选择，是利用主成分分析法对高光谱图像进行波段选择处理，实现特征降维，并保留前k个主成分；所述1)中按照固定尺寸将波段选择后的高光谱图像分割出光谱-空间特征邻域块，是采用主成分波段选取样本，每个样本的尺寸为s
×
s
×
k，得到光谱-空间邻域特征，其中s表示邻域的空间大小；所述1)中的训练图像表示为x＝{x1,...x
i
...,x
n
}，训练图像对应的标签为y＝{y1,...y
i
...,y
n
}，其中x
i
为第i个训练图像，y
i
为第i个标签，i的范围为从1到n，n表示训练图像的数目。3.根据权利要求1所述的方法，其特征在于：所述2a)中三个三维卷积模块，均由卷积层、标准化层和激活层级联组成，该三个卷积层的卷积核分别为(3，3，7)、(3，3，5)和(3，3，3)，该三个标准化层与三个激活层结构相同，其结构为：第一卷积层->第一标准化层->第一激活层->第二卷积层->第二标准化层->第二激活层->第三卷积层->第三标准化层->第三激活层。4.根据权利要求1所述的方法，其特征在于：所述2a)中二维卷积模块由卷积核为(3，3)
的卷积层和标准化层、激活层级联组成，其结构为：卷积层->标准化层->激活层。5.根据权利要求1所述的方法，其特征在于：所述2a)重参数模块，是从高斯分布中采样出变量ε，再结合全连接层的输出计算出输入图像的潜在特征：z
i
＝μ+εσ，其中μ和σ为两个并联的全连接网络分别输出的均值和方差参数，x
i
为第i个输入图像，y
i
为输入图像对应的标签，θ2为编码器的训练参数。6.根据权利要求1所述的方法，其特征在于：所述2b)在隐含空间设置小类别上采样模块，是对隐含空间对小类别的每一个样本进行数目为：的上采样，其中r表示上采样因子，n
max
表示最大类别的样本数，n
c
表示样本x
i
所属的第c类的样本数，实现对小类别的扩充。7.根据权利要求1所述的方法，其特征在于：所述2c)中构建的三维解码器，是由一个全连接层和两个反卷积模块组成，每一个反卷积模块均包括反卷积层、标准化层和激活层，两个反卷积层的卷积核分别为(3，3，7)和(3，3，5)，两个标准化层与两个激活层结构相同；该三维解码器的结构为：全连接层->第一反卷积层->第一标准化层->第一激活层->第二反卷积层->第二标准化层->第二激活层。8.根据权利要求1所述的方法，其特征在于：所述3a)中基于最大化均值差异的正则项损失函数l
mmd
、基于邻域距离的重构损失函数l
pdrec
、基于交叉熵的分类损失函数l
cls
分别表示如下：示如下：示如下：其中，p
θ
(z
i
|x
i
,y
i
)表示隐含特征的条件概率分布，表示隐含特征的高斯先验分布，x
i
为第i个输入图像，y
i
为第i个输入图像对应的标签，z
i
为第i个输入图像，θ为三维编码器的训练参数，为三维解码器的训练参数；表示像素p
ik
与像素之间的距离；表示像素与x
i
之间的距离；表示像素p
ik
与之间的距离；d表示计算欧式距离，p
ik
表示x
i
中的任意一个像素，表示中的任意一个像素，为x
i
对应的生成样本，s为图像x
i
的边长，y
ic
和分别表示真实和预测的x
i
属于第c类的概率。9.根据权利要求1所述的方法，其特征在于：所述3c)中采用梯度下降方法，循环更新非平衡高光谱图像分类网络中的参数，实现如下：3c1)设置出学习率初始值α，最大迭代次数t，批处理数量b，并初始化网络训练参数；
3c2)按批处理的大小将训练样本分成批，依次输入非平衡高光谱图像分类网络进行反向传播更新总损失函数的梯度，根据下降的方向进行正向传播更新网络训练参数。对每个批输入网络进行上述计算，直到对整个训练集样本输入网络进行遍历，完成一次训练；3c3)循环3c2)过程，直至达到最大迭代次数t，得到训练好的非平衡图像分类模型。
技术总结
本发明公开了一种基于深度生成光谱-空间分类器的非平衡高光谱图像分类方法，主要解决现有技术在面对非平衡高光谱分类任务中小类别分类精度不佳的问题。其实现方案为：获取高光谱图像并进行波段选择，将其划分为训练样本与测试样本；构建包含两阶段三维编码器、三维解码器、小类别上采样模块和分类器的非平衡高光谱图像的分类网络；利用训练样本对分类网络进行训练，设置总体损失函数，初始化网络训练参数，采用梯度下降方法更新分类网络，直至达到最大迭代次数；将测试样本输入到训练好的分类网络，得到分类结果。本发明提高了高光谱图像中小类别的分类精度，增强了鲁棒性，可用于矿产勘测，生态监测，智慧农业及医疗诊断。智慧农业及医疗诊断。智慧农业及医疗诊断。
技术研发人员：席博博 李娇娇 刁妍 李云松 刘薇 宋锐 刘松林
受保护的技术使用者：西安电子科技大学
技术研发日：2022.06.02
技术公布日：2022/8/9