基于深度卷积神经网络的空谱联合的高光谱图像分类方法技术

本发明专利技术涉及一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法，将传统的应用在二维图像上的深度卷积神经网络引入到三维高光谱图像分类问题中来。首先，利用少量标签数据，训练卷积神经网络，并利用该网络自主提取高光谱图像的空谱特征，不需要任何压缩降维的处理；然后，利用提取到的空谱特征训练支持向量机(SVM)分类器，对图像进行分类；最后，结合已训练好的神经网络和训练好的分类器，神经网络提取待分类目标的空谱特征，分类器确定提取出的空谱特征的具体类别，得到一个能够自主提取高光谱图像的空谱特征并对其进行分类的结构(DCNN-SVM)，从而形成一套高光谱图像分类的方法。

【技术实现步骤摘要】

本专利技术属于遥感信息处理
，涉及一种高光谱图像的分类方法，尤其涉及 一种。
技术介绍
高光谱遥感图像光谱分辨率高、成像波段多、信息量大，在遥感应用领域得到广泛 应用。高光谱图像分类技术在这些应用中起着重要作用，其中从原高光谱图像中提取用来 分类的特征，该步骤对高光谱图像的分类精度影响巨大，分类特征的鲁棒性强，能够大幅提 高分类精度；相反，鲁棒性较差的分类特征则会明显降低分类效果。 近几年，深度学习在特征提取方面成绩显著，为提高高光谱图像分类精度，深度学 习中的SAE、DBN等深度模型被引入到高光谱图像的分类中来，并在谱特征的基础上，引入 空间特征，利用深度学习模型，自主提取高光谱图像的空谱特征，有效的提高了高光谱图像 分类精度。 然而，现有的这些利用深度模型提取高光谱图像空谱特征的这些方法，在提取空 谱特征时的做法十分复杂先，往往需要先对原高光谱图像进行谱空间上的降维，再将降维 之后的信息与谱信息结合得到空谱特征。降维处理计算量大，且损失了一定的谱信息，影响 精度。
技术实现思路
要解决的技术问题 为了避免现有技术的不足之处，本专利技术提出一种基于深度卷积神经本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法，其特征在于步骤如下：步骤1：采用对高光谱图像进行归一化处理，其中：ij表示坐标位置，s表示谱段，xmax、xmin分别表示三维高光谱数据中的最大值和最小值；步骤2、提取原始空谱特征：提取归一化处理后的高光谱图像的中心像素及八邻域像素共九个像素向量作为位于(i，j)位置的中心像素的原始空谱特征；步骤3：从步骤2提取出来的数据中随机抽取6％以上的含有标签的数据作为训练卷积神经网络的数据；步骤4、构建卷积神经网络：网络的输入是步骤2中提取的原始空谱特征，网络的卷积核为一维向量，每层卷积层后边连接一层池化层，根据谱空间维数选择2～3层卷积层，网络...

【技术特征摘要】

【专利技术属性】
技术研发人员：李映，张号逵，刘韬，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61