基于卷积神经网络的高光谱遥感数据特征提取方法技术

基于卷积神经网络的高光谱遥感数据特征提取方法，属于遥感数据特征提取技术领域。本发明专利技术是为了解决采用现有方法对高光谱遥感数据进行特征提取，获得的特征数据不具有深层的结构，不利于后续图像处理的问题。它首先对高光谱原始数据进行坏带去除、数据变形重组及数据预处理，获得标准化输入数据；再对标准化输入数据利用不同的滤波器通过局部感受野对数据进行卷积；对卷积结果进行子采样；最后将卷积层与子采样层叠加，获得的标准化输入数据状态响应，实现对高光谱遥感数据的特征提取。本发明专利技术用于高光谱遥感数据的特征提取。

【技术实现步骤摘要】

本专利技术涉及，属于遥感数据特征提取

技术介绍
随着成像技术和光谱技术的发展，高光谱遥感技术成为遥感领域的前沿技术，光谱分辨力的提高使得其他遥感技术不能解决的问题得以解决，但庞大数据量为特征提取技术增加了难度。为了解决这一问题，一些线性降维的方法被提出，如主成分分析、独立成分分析、因子分析等。对于高光谱复杂的光谱信息，非线性的方法也能够很好的描述数据特性，流行学习就是一种常用的非线性高光谱特征提取降维方法。对于高光谱数据，特征提取技术不仅限于维度的降低，它基于核的算法提取出的特征具有更高维度。虽然以上方法都能克服高光谱特征提取的困难，但提取出的特征并不具有深层的结构。
技术实现思路
本专利技术目的是为了解决采用现有方法对高光谱遥感数据进行特征提取，获得的特征数据不具有深层的结构，不利于后续图像处理的问题，提供了一种。本专利技术所述，它包括以下步骤:步骤一:对高光谱原始数据进行坏带去除、数据变形重组及数据预处理，获得标准化输入数据；步骤二:将标准化输入数据作为卷积神经网络卷积层的输入，通过η个可训练的滤波器和可加偏置对标准化输入数据进行卷积，获得η个不同的特征映射图，η为正整数；每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连，用于提取相应的局部特征，每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息，将该全局信息作为一个特征映射图中的数据特征；步骤三:将每个特征映射图中每组mXm个像素进行求和，加权值，加偏置，通过Sigmoid函数得到η个子采样层；m为正整数；步骤四:将卷积神经网络的每一个卷积层与每一个特征映射图中每个对应的子采样层叠加，获得叠加层，再通过一个全连接层与每一个特征映射图中所有叠加层相连，计算获得全连接层的一个单元中η个子采样层与卷积神经网络权重向量之间的点积，将点积加上一个偏置后，再传递给Sigmoid函数，获得一个单元的标准化输入数据状态响应，全连接层的所有单元个数为最终获得的标准化输入数据状态响应个数，将所有标准化输入数据状态响应作为标准化输入数据的提取特征，实现对高光谱遥感数据的特征提取。所述坏带去除具体为:删除高光谱原始数据中波段全为零值或噪声超过预设噪声阈值的波段，获得以三维矩阵表示的无坏带输入数据。所述数据变形重组具体为:将无坏带输入数据按照从左到右，从上到下的顺序，抽取每一个像素点的像素向量，每一个像素向量作为一个行向量，将所有行向量按照顺序依次向下排列，形成二维矩阵输入数据，该二维矩阵输入数据的行数是无坏带输入数据像素点的个数，列数是每个像素点包含的波段数。所述数据预处理具体为:对二维矩阵输入数据进行标准化线性处理，使其结果值映射到之间，从而使其各项指标处于同一数量级，获得标准化输入数据。本专利技术的优点:本专利技术方法针对高光谱数据的高维度、丰富的光谱信息和高分辨率的数据特性，利用一种深层网络结构，有效地提取高光谱数据的特征，有利于后续的图像处理。它针对高光谱数据的高维度和复杂的数据特性，利用卷积神经网络学习高光谱数据的光谱维信息中的非线性和不变性特征，从而提取出具有深度结构的特征。高光谱数据的特征提取是高光谱数据处理中非常重要的步骤，本专利技术利用卷积神经网络的模型结构模拟人脑的机制来处理数据，克服高光谱数据量大，冗余高的弊端，最小化数据预处理的要求，并提取出一种有利于后续处理及应用的具有深层结构的的特征。【附图说明】图1是本专利技术所述的流程图。【具体实施方式】【具体实施方式】一:下面结合图1说明本实施方式，本实施方式所述，它包括以下步骤:步骤一:对高光谱原始数据进行坏带去除、数据变形重组及数据预处理，获得标准化输入数据；步骤二:将标准化输入数据作为卷积神经网络卷积层的输入，通过η个可训练的滤波器和可加偏置对标准化输入数据进行卷积，获得η个不同的特征映射图，η为正整数；每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连，用于提取相应的局部特征，每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息，将该全局信息作为一个特征映射图中的数据特征；步骤三:将每个特征映射图中每组mXm个像素进行求和，加权值，加偏置，通过Sigmoid函数得到η个子采样层；m为正整数；步骤四:将卷积神经网络的每一个卷积层与每一个特征映射图中每个对应的子采样层叠加，获得叠加层，再通过一个全连接层与每一个特征映射图中所有叠加层相连，计算获得全连接层的一个单元中η个子采样层与卷积神经网络权重向量之间的点积，将点积加上一个偏置后，再传递给Sigmoid函数，获得一个单元的标准化输入数据状态响应，全连接层的所有单元个数为最终获得的标准化输入数据状态响应个数，将所有标准化输入数据状态响应作为标准化输入数据的提取特征，实现对高光谱遥感数据的特征提取。本实施方式利用高光谱遥感数据光谱维信息准备输入数据；应用卷积神经网络对输入数据进行特征提取。输入数据的准备是在高光谱原始数据的光谱维上进行的，内容主要包括坏带去除，数据变形重组及数据预处理。卷积神经网络是一个多层的神经网络，每层都由多个二维平面组成，每一个平面由多个独立神经元构成。应用卷积神经网络对输入数据进行特征提取过程主要包括三部分:利用不同的滤波器通过局部感受野对数据进行卷积；对卷积结果进行子采样；卷积层与子采样层叠加。具体步骤包括:1.利用不同的滤波器通过局部感受野对数据进行卷积。首先将上一步得到的高光谱光谱维数据构成的二维矩阵作为卷积层的输入，通过η个可训练的滤波器和可加偏置进行卷积，每个滤波器的参数不相同，将得到η个不同的特征映射图。每一个特征映射图中的神经元与输入数据的局部感受野相连，并提取出该局部的特征，将这些感受不同局部的神经元综合起来就可以得到全局信息，即输入数据的当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的高光谱遥感数据特征提取方法，其特征在于，它包括以下步骤：步骤一：对高光谱原始数据进行坏带去除、数据变形重组及数据预处理，获得标准化输入数据；步骤二：将标准化输入数据作为卷积神经网络卷积层的输入，通过n个可训练的滤波器和可加偏置对标准化输入数据进行卷积，获得n个不同的特征映射图，n为正整数；每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连，用于提取相应的局部特征，每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息，将该全局信息作为一个特征映射图中的数据特征；步骤三：将每个特征映射图中每组m×m个像素进行求和，加权值，加偏置，通过Sigmoid函数得到n个子采样层；m为正整数；步骤四：将卷积神经网络的每一个卷积层与每一个特征映射图中每个对应的子采样层叠加，获得叠加层，再通过一个全连接层与每一个特征映射图中所有叠加层相连，计算获得全连接层的一个单元中n个子采样层与卷积神经网络权重向量之间的点积，将点积加上一个偏置后，再传递给Sigmoid函数，获得一个单元的标准化输入数据状态响应，全连接层的所有单元个数为最终获得的标准化输入数据状态响应个数，将所有标准化输入数据状态响应作为标准化输入数据的提取特征，实现对高光谱遥感数据的特征提取。...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈雨时，姜含露，陈曦，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23