一种高光谱图像分类方法技术

本发明专利技术公开了一种基于空谱长短时记忆网络的高光谱图像分类方法，包括以下步骤：首先，针对每一个像素点，将该像素点不同通道的光谱值依次输入到光谱长短时记忆网络中，来提取像素点的光谱特征并得到基于光谱域的分类结果；与此同时，利用主成分分析将高光谱图像的第一个主成分提取出来，然后，将主成分中以上述像素点为中心的局部图像块按行拆成一组行向量依次输入到空间长短时记忆网络中，来学习像素点的空间特征并得到基于空间域的分类结果；最后，对像素点基于空间特征和光谱特征的两种分类结果使用决策融合得到联合的空谱分类结果。

A hyperspectral image classification method

The present invention discloses a hyperspectral image classification method based on space-time memory network, which includes the following steps: firstly, the spectral values of the different channels of the pixels are input to the memory network in order to extract the spectral features of the pixels and get the spectral domain based on each pixel point. At the same time, the first principal component of the hyperspectral image is extracted by principal component analysis. Then, the local image blocks in the main component with the pixel point as the center are dismantled into a group of row vectors and entered into the space length and short memory network in order to learn the spatial features of the pixels and get the space based on the space. In the end, two classification results based on spatial and spectral features of pixels are fused by decision fusion, and the results of the combined space spectrum classification are obtained.

【技术实现步骤摘要】
一种高光谱图像分类方法
本专利技术属于图像信息处理
，涉及一种高光谱图像分类方法。
技术介绍
随着高光谱传感器的发展，现在想获得高光谱和高空间分辨率的图像越来越方便了。超光谱数据正在成为一个检测地球表面的重要工具。超光谱图像分类已经成为许多应用包括商业和军事领域的重要任务之一。现在已经有很多方法被提出来解决高光谱图像分类问题。传统方法例如k近邻和逻辑回归通常使用高维的光谱信息作为特征，由此可能带来“维度灾难”问题。所以降维方法被广泛使用来解决这个问题。这些方法包括主成分分析和线性判别分析。后来SVM提出来用于高光谱图像分类。SVM对数据的高维度和小样本问题敏感度很低。在大部分任务中，基于SVM的分类方法能得到优于其他方法的结果。但是，SVM仍然是一个浅层的结构。通常浅层结构可以用来解决很多简单的问题。但是遇到复杂的问题，SVM有限的表征能力使得效率很低。在过去的几年中，随着计算机计算能力的提升和数据量的规模提升，深度学习技术在很多机器学习任务中已经取得了很大的成功。在这些技术中，卷积神经网络由于它的局部连接和权重共享特点被认为是最好的特征提取方法。而且，循环神经网络和它的变体已经被广泛使用在序列数据建模问题例如语音识别和机器翻译。最近，深度学习已经应用到遥感领域中尤其是针对高光谱图像分类。比如，栈式自编码器以非监督的形式被用来提取高级特征。受这个工作的启发，通过增加一个正则项到能量函数中来改进自编码器。后来，深度信念网络提出被用来提取特征然后通过逻辑回归得到分类结果。前面说的这些方法中，网络的输入都是高维向量。因此，要想学习到高光谱图像的空间特征，只能把局部的图像块拉直成一个向量然后输入到网络中去。但是，这个方法可能会损坏图像的二维结构，导致空间信息的丢失。为了解决这个问题，二维的卷积神经网络被提出来提取空间特征。但是，在使用二维的卷积神经网络时只使用高光谱图像的第一个主成分作为输入，可能丢失了光谱信息。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术不足，提供一种高光谱图像分类方法，充分提取高光谱图像空间域和光谱域的特征并且结合起来，能够更好地对高光谱图像进行分类，具有较好的分类性能和分类准确率。为了达到上述目的，本专利技术提出的技术方案为：一种高光谱图像分类方法，其特征在于，包括以下步骤：步骤一、将高光谱图像中坐标位于的像素点的不同光谱通道的值取出得到一个K维的向量，K根据高光谱图像的光谱通道个数确定；步骤二、将步骤一中的K维向量输入到光谱长短时记忆网络中得到该像素点的光谱特征，然后将光谱特征输入到分类器中得到基于光谱特征的分类结果，并对光谱长短时记忆网络进行训练；步骤三、对高光谱图像进行主成分分析得到第一个主成分，然后在第一个主成分中提取同样以为中心的局部图像块，将该局部图像块按行拆成一组行向量；步骤四、将步骤三得到的一组行向量输入到空间长短时记忆网络中得到该像素点的空间特征，采用步骤二所述方法将该空间特征输入到分类器中得到基于空间特征的分类结果，并对空间长短时记忆网络进行训练；步骤五、将上述步骤中得到的基于光谱特征的分类结果和基于空间特征的分类结果利用加权求和方式进行融合，得到最终该位置像素点的空谱分类结果。对上述技术方案得劲新一步设计为：所述分类器采用Softmax分类器。步骤五中对两种分类结果加权求和过程中，两者的权重系数之和等于一。两种分类结果的权重系数相同。本专利技术的有益效果为：本专利技术使用长短时记忆网络分别提取空间域和光谱域的特征，并使用加权求和方式融合两个域的分类结果，这样能够充分利用高光谱图像的空间和光谱的信息，提高分类精确度。附图说明图1为本专利技术高光谱图像分类方法的基本流程图。图2为本专利技术光谱长短时记忆网络的流程图。图3为本专利技术空间长短时记忆网络的流程图。图4为长短时记忆网络的结构图和流程图。具体实施方式下面结合附图对本专利技术的技术方案进行详细说明：本专利技术的思路是利用光谱长短时记忆网络提取像素点的光谱特征，同时利用空间长短时记忆网络提取像素点的空间特征，最后通过加权求和的方式融合基于两种特征的分类结果，得到联合的空谱分类结果。从而能够更好地利用高光谱图像的空间和光谱的信息，具有较好的分类性能，提高了分类准确率。本专利技术方法的基本流程如图1所示，具体包括以下步骤：步骤1、将高光谱图像中的位于的像素点不同光谱通道的值取出得到一个K维的向量，K根据高光谱图像的光谱通道个数确定。对于高光谱图像上位于的像素点向量，K值在这里取决于使用的高光谱图像的谱带个数。为了提取像素点向量包含的光谱信息，我们将像素点向量拆分成一个长度为K的序列：。步骤2、将步骤1中的K维向量输入到光谱长短时记忆网络中得到位于的像素点的光谱特征，然后将光谱特征输入到分类器中得到基于光谱特征的分类结果，并对光谱长短时记忆网络进行训练。高光谱图像的上百个谱带提供了同一位置物体的不同光谱特性。由于光照，传感器旋转，不同的大气散射条件等问题，不同光谱之间的差异性很大。因此，本专利技术需要提取鲁棒的分类特征。深层结构可以潜在地提取到更抽象的特征，而越抽象的特征越能适应输入的局部变化。本专利技术中，不同光谱通道的值被组成了一个输入序列，如步骤1所述。然后，本专利技术使用长短时记忆网络来建立谱带间的依赖关系。这里用到的长短时记忆网络我们称为光谱长短时记忆网络，如图2所示。下面对长短时记忆网络进行简要的说明。首先简单说明长短时记忆网络的工作原理。图4（a）是长短时记忆网络的基本结构图。在这，假设长短时记忆网络输入为序列。如图4（b）中所示，长短时记忆网络第一步是决定我们将要从元胞状态中扔掉哪些信息。该决定由一个叫做“遗忘门（ForgetGate）”的控制。遗忘门观察和，对于元胞状态中的每一个元素，输出一个0-1之间的数。1表示“完全保留该信息”，0表示“完全丢弃该信息”。遗忘门最终由下面的公式得到：(1)下一步是决定长短时记忆网络会把哪些新信息存储到元胞状态中（图4（c））。这步分为两部分。首先，有一个叫做“输入们（InputGate）”的决定要更新哪些信息，输入门由公式（2）确定。接下来，通过tanh函数创造了一个新的候选值，该值可能被加入到元胞状态中。在下一步中，我们将会把这两个值组合起来用于更新元胞状态。(2)(3)现在，需要更新旧元胞状态到新的状态了（图4（d））。上面的步骤已经决定了该怎么做。这一步我们只需要实际执行即可。长短时记忆网络把旧状态乘以，忘掉已经决定忘记的内容。然后再加上，这个值由新的候选值乘以候选值的每一个状态网络决定更新的程度构成。(4)在这一步，网络按照之前的决定，扔掉了旧的信息，并且添加了新的信息。最后，网络需要决定最终的输出，（图4（e））。输出将会基于目前的元胞状态，并且会加入一些过滤。首先网络建立一个由sigmoid函数的输出门，来决定我们将输出元胞的哪些部分。然后网络将元胞状态通过tanh函数之后（使得输出值在-1到1之间），与输出门相乘，这样我们只会输出我们想输出的部分。(5)(6)上述长短时记忆网络工作原理中，和分别代表网络中的权重矩阵，他们的下标对应他们在网络中不同的位置。这些参数都是需要通过训练来确定最优值。由步骤1得到的序列，类似于上述过程中的输入序列。由于长短时记忆网络擅长对序列数据进行建本文档来自技高网...

【技术保护点】
1.一种高光谱图像分类方法，其特征在于，包括以下步骤：步骤一、将高光谱图像中坐标位于

【技术特征摘要】
1.一种高光谱图像分类方法，其特征在于，包括以下步骤：步骤一、将高光谱图像中坐标位于的像素点的不同光谱通道的值取出得到一个K维的向量，K根据高光谱图像的光谱通道个数确定；步骤二、将步骤一中的K维向量输入到光谱长短时记忆网络中得到该像素点的光谱特征，然后将光谱特征输入到分类器中得到基于光谱特征的分类结果，并对光谱长短时记忆网络进行训练；步骤三、对高光谱图像进行主成分分析得到第一个主成分，然后在第一个主成分中提取同样以为中心的局部图像块，将该局部图像块按行拆成一组行向量；步骤四、将步骤三得到的一组行向量输入到空间长短时记忆网络中得到该像素...

【专利技术属性】
技术研发人员：刘青山，周峰，杭仁龙，葛玲玲，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32