基于超像素特征提取神经网络算法的高光谱影像分类方法技术

本发明专利技术公开一种基于超像素特征提取神经网络算法的高光谱影像分类方法，包括：高光谱影像经像素点标记和超像素分割处理获得带有像素点标记的超像素和未带像素点标记的超像素；利用超像素特征提取神经网络以带有像素点标记的超像素为输入对象进行网络训练，再利用训练好的超像素特征提取神经网络对未带像素点标记的超像素进行处理得到分类图；所述的超像素特征提取神经网络包括多个叠加的子网络层，每层子网络层由全连接的特征提取层、池化层、特征拼接层和批标准化层组成。本发明专利技术减少了监督学习方法中对样本标记数目的依赖；通过设计的神经网络对超像素的提取，兼顾了超像素个体像素以及全体像素的深度特征信息，使特征更鲁棒。

Hyperspectral Image Classification Based on Superpixel Feature Extraction Neural Network

The invention discloses a hyperspectral image classification method based on super-pixel feature extraction neural network algorithm, which includes: hyperspectral image is processed by pixel mark and super-pixel segmentation to obtain super-pixel with pixel mark and super-pixel without pixel mark; and super-pixel feature extraction neural network uses super-pixel mark super-pixel as input object for network training. Then, the trained super-pixel feature extraction neural network is used to process the super-pixels without the label of the pixels to get the classification map. The super-pixel feature extraction neural network includes several overlapping sub-network layers, each layer of sub-network layer is composed of fully connected feature extraction layer, pooling layer, feature splicing layer and batch standardization layer. The invention reduces the dependence on the number of sample markers in supervised learning method, and extracts super-pixels by designed neural network, taking into account the depth feature information of individual super-pixels and all pixels, so as to make features more robust.

【技术实现步骤摘要】
基于超像素特征提取神经网络算法的高光谱影像分类方法
本专利技术属于神经网络与遥感图像处理领域的结合，主要解决遥感影像地物分类的问题，具体提供一种基于超像素特征提取神经网络算法的高光谱影像分类方法，实现对高光谱影像的地物分类。
技术介绍
随着近几十年对地观测技术的蓬勃发展，我们可以很轻易地获得大量的高空间分辨率、高光谱的遥感影像数据。因此，对海量遥感数据的分析逐渐成为了学术界研究的热点课题之一。对高光谱影像的分类就是其中非常重要的应用之一。高光谱影像是一类拥有着大量通道的特殊遥感影像，它包含着比传统遥感影像多数倍的光谱信息。正因为如此，高光谱影像被广泛地应用于地物分类、目标检测、农业监测、矿物匹配、环境治理等领域。在过去的几十年中，有大量用来解决高光谱分类问题的新颖先进的技术被提出。对于监督高光谱分类任务来说，给定每类样本一定数目的带标记训练样本，图像中每个像素的标记可以通过训练一个模型来获得。这一过程常常与模式识别和机器学习的方法相结合。其中最具有代表性的就是支持向量机(SVM)和多类别逻辑回归(MLR)，他们都被证明是有效且高效的方法。然而，基于核函数的方法常常存在核函数选择和参数组合的困难。Huang等人提出了一种名为极限学习机的算法，仅仅需要一部，它就可以获得学习网络的权重。相对于SVM和传统的人工神经网络，极限学习机更加快速并且具有更好的泛化能力。此外，由于高光谱影像具有大量的通道，其中必然包含着许多噪声通道和冗余的信息，因此又有很多解决高光谱影像通道筛选和主要影响因子的方法被提出。这些方法可以有效的提升后续处理工作的效率与精度。主成分分析(PCA)就是其中使用最广泛且最有效的方法之一。它在缩减特征数目的同时，尽可能的减少了信息的丢失，从而实现了对数据全面的分析。在纯光谱分析方法中，仅仅利用了图像的光谱信息，而忽略了图像本身所具有的空间信息，因此常常会出现噪声过多的问题。因此，许多方法从该问题入手，充分利用到了图像的空间结构和光谱信息，获得了更加鲁棒的效果和更高的精度。随着数据量的逐渐增多，我们需要一些能够快速处理海量数据的方法。并且由于人工标记的时间成本过高，因此我们需要提出一些可以减少对训练样本标签数目依赖，甚至不需要标签的方法，使高光谱的分类有更广阔的发展前景。
技术实现思路
本专利技术的目的是提出一种基于超像素特征提取神经网络算法的高光谱影像分类方法，该方法结合超像素分割算法，削减了对以往监督方法对训练样本数目的依赖。为实现上述目的，本专利技术包括如下步骤：一种基于超像素特征提取神经网络算法的高光谱影像分类方法，包括：高光谱影像经像素点标记和超像素分割处理获得带有像素点标记的超像素和未带像素点标记的超像素；利用超像素特征提取神经网络以带有像素点标记的超像素为输入对象进行网络训练，再利用训练好的超像素特征提取神经网络对未带像素点标记的超像素进行处理得到分类图；所述的超像素特征提取神经网络包括多个叠加的子网络层，每层子网络层由全连接的特征提取层、池化层、特征拼接层和批标准化层组成。可选的，所述的超像素特征提取神经网络的初始化参数为全连接层FCN(x)和批标准化层BN(x)；全连接层FCN(x)＝W·x+b，W为连接权重参数，采用服从标准正态分布的随机数初始化，即W～N(0,1)；b为偏置项参数，采用数值0进行初始化；x为输入的超像素；批标准化层其中E[x]表示全连接层输出的x的期望值，Var[x]表示全连接层输出的x的方差值；γ和β分别以服从均匀分布U(0,1)的随机数和数值0进行初始化。可选的，所述的网络训练包括：超像素特征提取网络对带有像素点标记的超像素进行特征提取获得既包含各个像素特征又包含整个超像素特征的融合特征信息；使用FocalLoss作为分类的损失函数对超像素特征提取网络进行分类训练。可选的，超像素特征提取网络对带有像素点标记的超像素进行特征提取按如下步骤进行：(a)带有像素点标记的超像素Xtrain输入超像素特征提取网络，第一个子网络使用全连接层FCN(x)进行第一层特征提取，即Xfeat＝FCN(Xtrain)；将第一层特征进行最大池化处理Xmaxfeat＝MaxPool(Xfeat)；之后对第一层特征和池化处理后的第一层特征进行拼接处理得到Xcatfeat＝Concatenate(Xfeat,Xmaxfeat)，之后对拼接后的特征进行批标准化处理Xnorm＝BN(Xcatfeat)；(b)使用多个与(a)中相同的子网络结构对Xnorm进行深层次的特征提取，得到既包含各个像素特征又包含整个超像素特征的融合特征信息。可选的，所述的FocalLoss损失函数，可由下述公式表示：FL(pt)＝-(1-pt)γlog(pt)式中，prob为模型预测得到的概率，y∈{±1}表示样本真实的类别；γ为注意力参数。可选的，所述的像素点标记包括：高光谱影像经过滤波去噪和波段选取得到高光谱影像I；对高光谱影像I中感兴趣区域进行像素点标记，并从中选取像素点总量的1％～10％的带有像素点标记的超像素样本作为训练样本。可选的，所述的超像素分割包括：高光谱影像进行主成分分析算法处理获取第一主成分Icomp1；对高光谱影像的第一主成分Icomp1进行超像素分割处理，获得超像素。可选的，所述的超像素分割，具体实现步骤如下：(a)调整高光谱影像I的维度(r,c,d)到二维(r×c,d)得到分析数据D，即D＝Reshape(I)＝(p1,p2,…,pr×c)，其中r、c和d分别代表高光谱影像的长度、宽度和通道数目，数据D中的元素pr×c即为高光谱影像所有的像素点，每个元素pr×c具有d维特征；(b)计算分析数据D的协方差矩阵，(c)求出协方差矩阵的特征值和其对应的特征向量，即[λ,ν]＝eig(C)，其中λ,ν分别表示特征值和特征向量，满足νC＝λC；(d)将特征向量按照对应特征值大小从大到小排列成矩阵P；计算转换后数据矩阵R＝PD，R的每列即为一个主成分，取第一列的第一主成分得到Dcomp1；调整Dcomp1的形式为r×c的二维矩阵，即得到了原始图像的第一主成分Icomp1；(e)对高光谱影像的第一主成分Icomp1进行超像素分割处理，获得超像素Isegmap。可选的，所述的超像素的个数n选取包括：其中r和c分别代表超像素影像的长度和宽度，avgnumpixels代表预设超像素内包含像素点个数的平均值，int运算表示对比值进行取整处理。本专利技术与现有的技术相比具有以下优点：1、本专利技术采用了超像素分割算法处理高光谱影像。超像素分割可以看作是对局部区域像素点空间特征相似性的度量，同一个超像素内的点具有非常高的相似性，因此，在缺少样本标记的监督方法中，我们可以利用该特征，将超像素点的标记作为超像素的标记，并在后续的模型中使用超像素作为训练的基本单位，这样就大大减少了对样本数目的依赖；2、本专利技术采用了超像素特征提取神经网络作为超像素的特征提取器。该网络可以有效的结合超像素中个体像素点和超像素整体的深层特征，相对于简单的像素域特征整合和手动特征工程来说，这样的特征更加具有鲁棒性；3、本专利技术引入了FocalLoss作为分类的损失函数。该函数可以使模型侧重关注不易于分类及样本数目较少的类别，使模型对不同类别的关注程度均衡化本文档来自技高网...

【技术保护点】
1.一种基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，包括：高光谱影像经像素点标记和超像素分割处理获得带有像素点标记的超像素和未带像素点标记的超像素；利用超像素特征提取神经网络以带有像素点标记的超像素为输入对象进行网络训练，再利用训练好的超像素特征提取神经网络对未带像素点标记的超像素进行处理得到分类图；所述的超像素特征提取神经网络包括多个叠加的子网络层，每层子网络层由全连接的特征提取层、池化层、特征拼接层和批标准化层组成。

【技术特征摘要】
1.一种基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，包括：高光谱影像经像素点标记和超像素分割处理获得带有像素点标记的超像素和未带像素点标记的超像素；利用超像素特征提取神经网络以带有像素点标记的超像素为输入对象进行网络训练，再利用训练好的超像素特征提取神经网络对未带像素点标记的超像素进行处理得到分类图；所述的超像素特征提取神经网络包括多个叠加的子网络层，每层子网络层由全连接的特征提取层、池化层、特征拼接层和批标准化层组成。2.根据权利要求1所述的基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，所述的超像素特征提取神经网络的初始化参数为全连接层FCN(x)和批标准化层BN(x)；全连接层FCN(x)＝W·x+b，W为连接权重参数，采用服从标准正态分布的随机数初始化，即W～N(0,1)；b为偏置项参数，采用数值0进行初始化；x为输入的超像素；批标准化层其中E[x]表示全连接层输出的x的期望值，Var[x]表示全连接层输出的x的方差值；γ和β分别以服从均匀分布U(0,1)的随机数和数值0进行初始化。3.根据权利要求1或2所述的基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，所述的网络训练包括：超像素特征提取网络对带有像素点标记的超像素进行特征提取获得既包含各个像素特征又包含整个超像素特征的融合特征信息；使用FocalLoss作为分类的损失函数对超像素特征提取网络进行分类训练。4.根据权利要求3所述的基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，超像素特征提取网络对带有像素点标记的超像素进行特征提取按如下步骤进行：(a)带有像素点标记的超像素Xtrain输入超像素特征提取网络，第一个子网络使用全连接层FCN(x)进行第一层特征提取，即Xfeat＝FCN(Xtrain)；将第一层特征进行最大池化处理Xmaxfeat＝MaxPool(Xfeat)；之后对第一层特征和池化处理后的第一层特征进行拼接处理得到Xcatfeat＝Concatenate(Xfeat,Xmaxfeat)，之后对拼接后的特征进行批标准化处理Xnorm＝BN(Xcatfeat)；(b)使用多个与(a)中相同的子网络结构对Xnorm进行深层次的特征提取，得到既包含各个像素特征又包含整个超...

【专利技术属性】
技术研发人员：马晶晶，蒋汾龙，公茂果，王善峰，范晓龙，张明阳，武越，张朋朋，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61