(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111641407.9 (22)申请日 2021.12.2 9 (71)申请人 山东省科学院海洋仪器仪表研究所 地址 266000 山东省青岛市 鳌山卫街道青 岛蓝色硅谷核心区蓝 色硅谷创业中心 一期2号楼 (72)发明人 李雪莹　范萍萍　邱慧敏　侯广利　 (74)专利代理 机构 青岛联智专利商标事务所有 限公司 37101 代理人 王笑 (51)Int.Cl. G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 一种高光谱图像小样本分类方法 (57)摘要 本发明公开了一种高光谱图像小样本分类 方法， 采用寻找超像素的方法， 将一个训练样本 所属的超像素内所有的像素标记 为同类， 作为扩 充样本对小样本进行第一次扩充， 在第一次扩充 的基础上， 采用两两配对的方法实施第二次扩 充， 进一步扩充的样本数量， 并以像素对方式增 加了单样 本的光谱信息， 不但 解决了现有高光谱 图像训练样本数量低、 获取难、 分类精度低的技 术问题， 提高了样本数量， 从而提高了分类正确 率， 还以像素对 形式提高了单样 本包含的光谱信 息， 进一步提高了分类的正确率。 权利要求书2页 说明书7页 附图2页 CN 114332534 A 2022.04.12 CN 114332534 A 1.一种高光谱图像小样本分类方法， 其特 征在于， 包括： 1， 从高光谱图像中随机 选取N个训练样本； 2， 对N个训练样采用如下步骤实施第一次扩充， 包括： 1)以超像素个数采用等距离抽样方式选取中心像素； 2)针对每个中心像素的邻域， 采用Dall_sam＝Dspec_sam+rDspat计算每个像素与中心像素的 第一空谱距离， 选取前S *S个第一空谱距离对应的像素集合为一个超像素， 若在 超像素中包 含训练样本， 则将超像素中的像素类别均标记为与包 含的训练样本一 致的类别； 为采用光谱角计算的光谱差异， pi为邻域内第i个像 素的光谱信息， pc为中心像素c的光谱信息； 邻域为围绕一个中心像素的2S*2S个像 素； Dspat为空间距 离， r为平衡光谱信息和空间信 息的权重； 3)针对每个中心像素的邻域， 采用Dall_pca＝Dspec_pca+rDspat计算一个邻域中每个像素与 中心像素的第二空谱距离， 选取前S *S个第二空谱距离对应的像素集合为一个超像素， 若在 超像素中包含训练样本， 则将超像素中的像素类别均标记为与包含的训练样本一致的类 别； 为采用主成分计算的 光谱差异， qi1， qi2， qi3分别为一个邻域内第i个像素的前三个主成分， qc1， qc2， qc3分别为中心 像素c的前三个主成分； 4)将采用计算第一空谱距离得到的超像素与采用计算第二空谱距离得到的超像素进 行融合得到第一次扩充样本； 3， 对实施第一次扩充后的样本进行两 两配对进行第二次扩充； 4， 采用两次扩充后的训练样本建立高光谱图像分类模型； 5， 采用建立的高光谱图像分类模型 预测未知高光谱图像样本的类别。 2.根据权利要求1所述的高光谱图像小样本分类方法， 其特征在于， 在步骤2中， 将采用 计算第一空谱距离得到的超像素与采用计算第二空谱距离得到的超像素进行融合得到第 一次扩充样本， 包括： 为归属类别， j为高光谱图像的每个样本， Lable1表示按照计算第一光谱距离得到扩充 样本的归属类别， Lable2 表示按照计算第二 光谱距离得到扩充样本的归属类别。 3.根据权利要求2所述的高光谱图像小样本分类方法， 其特 征在于， 步骤3具体包括： 将扩充后的样本Lablefusion(j)进行两两配对， 若两个训练样本属于同一类， 则标记为一 个类别， 否则抛 弃。 4.根据权利要求1所述的高光谱图像小样本分类方法， 其特征在于， 步骤4中， 采用深度 学习、 支持向量机、 极限学习机、 或AdaBoost分类算法建立高光谱图像 分类模型； 其中， 判别 标准采用总分类精度、 平均分类精度或Kap pa系数。 5.根据权利要求1所述的高光谱图像小样本分类方法， 其特征在于， 步骤5 中， 将测试样权　利　要　求　书 1/2 页 2 CN 114332534 A 2本与自身n*n邻域内的像素以两两配对方式组成像素对输入所述高光谱图像分类模型， 预 测结果通过投票策略选出个数最多的类别作为 最终类别。权　利　要　求　书 2/2 页 3 CN 114332534 A 3