结合双边滤波的三维卷积神经网络高光谱影像分类方法技术

本发明专利技术属于信息处理技术领域，公开了结合双边滤波的三维卷积神经网络高光谱影像分类方法。本发明专利技术首先使用双边滤波器对高光谱影像进行处理，再进行数据归一化；然后从处理后的高光谱影像中提取以待分类像元为中心的一定邻域内的数据块作为输入端数据，以待分类像元所属标签为对应数据块的标签，生成训练数据和测试数据；构造三维卷积神经网络，对其开展训练和测试；最后使用经过训练的三维卷积神经网络完成对高光谱影像的空‑谱联合分类。本发明专利技术充分利用高光谱影像的空‑谱信息，提高了分类精度；引入双边滤波算法，提高了分类任务的准确率，缩短、降低了训练具备同等分类精度的模型的时间、功耗；解决了现有技术分类精度低、耗时长的问题。

【技术实现步骤摘要】
结合双边滤波的三维卷积神经网络高光谱影像分类方法
本专利技术涉及信息处理
，具体涉及一种结合双边滤波的三维卷积神经网络高光谱影像分类方法。
技术介绍
高光谱成像技术是上世纪80年代逐渐发展起来的一种新技术，是一种将传统二维成像技术和一维光谱检测技术相结合的多维信息获取技术，具有“图谱合一”的特点，即可同时探测目标的二维几何空间信息与一维光谱信息，获取高光谱分辨率的、连续的、窄波段的影像数据。与全色影像和多光谱影像相比，高光谱影像具有更高的光谱分辨率和信息丰富度，可以更详实准确地反映目标物体的诊断性光谱特征，因此，高光谱影像被广泛应用于军事、农业、医学、采矿等诸多领域。高光谱影像分类技术是高光谱成像技术中一项重要内容，是能够发挥高光谱成像技术高分辨率光谱信息优势的重要技术，是研究人员快速了解高光谱影像中所包含的内容的重要手段。高光谱影像分类技术的具体任务是对高光谱影像中的每一个像素所代表的目标进行分类。高光谱影像的高光谱分辨率是以较高的数据维、较大的数据量为代价的，这给高光谱影像分类带来了很多问题，例如信息的冗余度增大、数据的处理时间长等。传统的高光谱图像分类技术，比如支持向量机(SVM)等，仅使用了高光谱影像中的光谱信息，而没有考虑高光谱影像在空间上所具有的很强的相关性，导致分类时容易出现错分的现象，且会产生噪声散点。近几年，随着深度学习在图像、视频分类和目标检测中的广泛应用，以及取得的良好效果，深度学习中的栈式自编码网络、深度置信网络、卷积神经网络等被引入高光谱影像分类中，在传统分类算法只考虑光谱特征的基础上，这些算法引入高光谱影像的空间特征，有效地提高了高光谱影像的分类精度。然而现有的大多数深度模型在提取高光谱影像的光谱-空间特征时做法较为复杂，需要先对高光谱影像采取主成分分析法(PCA)等方法进行降维，然后进行特征提取。PCA处理不仅加大计算量，还会损失光谱域的信息量，对分类精度造成一定的影响。此外，现有的大多数深度学习算法尚未考虑对高光谱影像中的噪声进行处理，这对分类精度以及训练模型所需时间和功耗产生较大影响。西北工业大学李映、张号逵等人在其申请的专利文献“基于3DCNN的高光谱图像空谱联合分类方法”(申请号：201610301687.1，公布号CN106022355A)中提出了一种基于三维卷积神经网络的高光谱分类方法。该方法首先对待分类高光谱数据进行归一化，将其数值归一化到[0,1]的范围之内，其次提取高光谱影像的中心像素及一定邻域范围内像素向量作为原始空谱特征，并结合待分类像元的标签训练已经构造好的3DCNN，最后利用训练好的3DCNN完成高光谱影像的空谱联合分类。该方法存在的不足之处是：由于各种因素的影响，高光谱遥感影像在空间域上会存在噪声，作者在进行3DCNN模型训练时，没有考虑这些噪声的影响，这会对高光谱影像的分类产生较大的影响。在学术论文“Spectral–SpatialClassificationofHyperspectralImagerywith3DConvolutionalNeuralNetwork”(《RemoteSensing》,2017,9(1),67)中，李映、张号逵等人对该方法的实验过程进行了详细的论述，由文中论述可知该模型对高光谱影像典型数据集Indianpinesscene的训练需要进行100000的迭代，迭代次数多，训练时间过长，因此还存在改进的空间。因此，当下还需要寻找一种不仅考虑了高光谱影像光谱特征和空间特征的相关性，还考虑了高光谱影像自身噪声对分类精度、训练耗时和耗能影响的高光谱影像分类方法，进而快速、准确地完成高光谱影像的分类任务。
技术实现思路
本专利技术针对上述技术不足，提出了一种结合双边滤波的三维卷积神经网络高光谱影像分类方法。本专利技术采用的双边滤波是一种非线性滤波器，是在高斯滤波器基础上提出的一种改进的双边滤波算法，能够考虑高光谱数据空间和幅值的相关性。双边滤波采用加权平均的方法，其权重不仅考虑了像素的欧氏距离，还考虑了像素范围域中的幅值差异。因此双边滤波器可以在保持图像细节信息，即能保持图像边界信息的同时，对空间域的噪声进行平滑处理。对高光谱影像完成滤波后，每个像素的光谱信息上都融合了其邻域像素的光谱信息，从而将光谱和空间信息结合了起来。因此对高光谱数据采用双边滤波进行处理有利于提高分类的精度，减少训练时间，降低训练功耗。本专利技术与现有其他高光谱影像分类方法相比，不仅充分考虑了高光谱影像的光谱特征和空间相关性，还考虑了高光谱影像自身噪声对分类精度、训练耗时和耗能的影响，实现了快速、准确的高光谱影像分类。专利技术所采用的技术方案是结合双边滤波的三维卷积神经网络高光谱影像分类方法，包括以下步骤：步骤S1：使用双边滤波器对高光谱影像数据进行边缘保持滤波，去除无关噪声，并保持边缘信息，同时将数据的光谱信息和空间信息融合起来。双边滤波器是一种非线性滤波器，是一种边缘保持滤波方法，能够在去除无关噪声的同时，保持较好的边缘信息。具体操作为：输入高光谱影像数据，对其所有波段处的图像使用双边滤波器进行滤波。其中，双边滤波器的计算公式为：式中，I是某一波段处的原始图像；Ifiltered是该原始图像经过双边滤波后的结果；x是当前进行滤波的像素，I(x)是像素x处的幅度值；Ω是以像素x为中心的具有一定范围的滤波窗口；xw是滤波窗口Ω内的某一像素，I(xw)是像素xw处的幅度值。gs(||xw-x||)是空间域核函数，fr(||I(xw)-I(x)||)是像素幅值域核函数，二者均采用高斯函数形式；设像素x和xw的空间坐标分别为(i,j)，(k,l)；则对像素x进行双边滤波时，滤波窗口Ω中像素xw的权重系数为：其中,I(i,j),I(k,l)分别是像素x＝(i,j)和xw＝(k,l)处的幅度值；σd和σr分别是空间域和像素幅值域的sigma平滑参数；通过对滤波窗口Ω中不同像素的加权平均，中心像素x＝(i,j)经过双边滤波后的幅值为：通过改变Ω的直径、平滑参数σd和σr可以调节双边滤波器对高光谱影像的滤波效果。步骤S2：对双边滤波后的高光谱影像进行归一化处理。其中，归一化处理过程中的归一化公式为：式中xijd和分别代表归一化处理前后的高光谱影像数据；(i,j)代表高光谱影像像素的空间位置坐标；d代表高光谱影像的第d个波段；xmax和xmin分别代表三维高光谱影像数据中的最小值和最大值；a和b均为常数，使得归一化后的数值在(0,1)范围内，且不包括0和1；步骤S3：生成训练数据和测试数据；步骤S3分为两步操作，具体如下：(3a)：对高光谱影像空间域的边沿进行扩充，扩充的宽度为使其维度由(H,W,L)扩展成为边沿扩展层的数值均为0；(3b)：提取以待分类像元为中心的m×m×L邻域范围内的数据块Hm×m×L作为输入端数据，并以待分类像元所属标签为对应数据块的标签，生成大量维度为m×m×L的带标签的数据块，作为训练数据和测试数据；其中，(H,W,L)分别代表高光谱影像空间域的长、宽值和光谱域的光谱通道数；m代表数据块在空间域的长宽值；步骤S4：从步骤S3提取出来的带有标签的数据块中随机抽取一半或更少的数据块作为三维卷积神经网络的训练数据，其余作为测试数据；步骤S5：设计并搭建基本文档来自技高网...

【技术保护点】
1.结合双边滤波的三维卷积神经网络高光谱影像分类方法，其特征在于：该方法包括如下步骤步骤S1：使用双边滤波器对高光谱影像数据进行边缘保持滤波，去除无关噪声，并保持边缘信息，同时将数据的光谱信息和空间信息融合起来；具体操作为：输入高光谱影像数据，对其所有波段处的图像使用双边滤波器进行滤波，其中，双边滤波器的计算公式为：

【技术特征摘要】
1.结合双边滤波的三维卷积神经网络高光谱影像分类方法，其特征在于：该方法包括如下步骤步骤S1：使用双边滤波器对高光谱影像数据进行边缘保持滤波，去除无关噪声，并保持边缘信息，同时将数据的光谱信息和空间信息融合起来；具体操作为：输入高光谱影像数据，对其所有波段处的图像使用双边滤波器进行滤波，其中，双边滤波器的计算公式为：式中，I是某一波段处的原始图像；Ifiltered是该原始图像经过双边滤波后的结果；x是当前进行滤波的像素，I(x)是像素x处的幅度值；Ω是以像素x为中心的具有一定范围的滤波窗口；xw是滤波窗口Ω内的某一像素，I(xw)是像素xw处的幅度值；gs(||xw-x||)是空间域核函数，fr(||I(xw)-I(x)||)是像素幅值域核函数，二者均采用高斯函数形式；设像素x和xw的空间坐标分别为(i,j)，(k,l)，则对像素x进行双边滤波时，滤波窗口Ω中像素xw的权重系数为：其中，I(i,j),I(k,l)分别是像素x＝(i,j)和xw＝(k,l)处的幅度值；σd和σr分别是空间域和像素幅值域的sigma平滑参数；通过对滤波窗口Ω中不同像素的加权平均，中心像素x＝(i,j)经过双边滤波后的幅值为：通过改变Ω的直径、平滑参数σd和σr可以调节双边滤波器对高光谱影像的滤波效果；步骤S2：对双边滤波后的高光谱影像进行归一化处理，其中，归一化处理过程中的归一化公式为：式中xijd和分别代表归一化处理前后的高光谱影像数据；(i,j)代表高光谱影像像素的空间位置坐标；d代表高光谱影像的第d个波段；xmax和xmin分别代表三维高光谱影像数据中的最小值和最大值；a和b均为常数，使得归一化后的数值在(0,1)范围内，且不包括0和1；步骤S3：生成训练数据和测试数据；步骤S3分为两步操作，具体如下：(3a)：对高光谱影像空间域的边沿进行扩充，扩充的宽度为使其维度由(H,W,L)扩展成为边沿扩展层的数值均为0；(3b)：提取以待分类像元为中心的m×m×L邻域范围内的数据块Hm×m×L作为输入端数据，并以待分类像元所属标签为对应数据块的标签，生成大量维度为m×m×L的带标签的数据块，作为训练数据和测试数据；其中，(H,W,L)分别代表高光谱影像空间域的长、宽值和光谱域的光谱通道数；m代表数据块在空间域的长宽值；步骤S4：从步骤S3提取出来的带有标签的数据块中随机抽取一半或更少的数据块作为三维卷积神经网络的训练数据，其余作为测试数据；步骤S...

【专利技术属性】
技术研发人员：江天，彭元喜，刘煜，侯静，张峻，郝昊，李寅，苏茗芮，陶梓隆，孙豪，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43