【技术实现步骤摘要】
本专利技术涉及的是一种图像分类方法,特别是一种联合三边滤波器和深度学习理论的高光谱图像分类方法。
技术介绍
高光谱遥感利用很多很窄的电磁波段从感兴趣的物体获取图像数据,一般从可见光到热波红外波段范围内设置了几十到数百个连续波段,其光谱分辨率可高达纳米数量级。对于每一个被记录的像素,丰富的光谱信息可以提供观测地表的完整的光谱描述和特性,因此在物质辨别时可以被看作是一个有效的工具。目前高光谱成像已经成为一种重要的遥感成像探测手段,其本质在于能够同时提供地物分布的空间信息和较高分辨率的光谱信息。虽然高光谱图像数据有着比以往数据更显著的优势和发展潜力,但在对高光谱图像数据进行空间信息和光谱信息提取与应用过程中,出现了很多技术上的难题,给研究者们带来了巨大的挑战。另一方面,在利用高光谱传感器捕获和传输高光谱图像过程中,通常高斯噪声和脉冲噪声等会引入到图像中,导致产生的图像质量下降,从而很大程度上制约图像的分类精度。因此,如何有效地提高图像质量和提取像素的光谱-空间信息,从而实现高光谱数据的有效分类得到越来越广泛的关注。在对高光谱图像分类中,去除图像噪声和提取光谱-空间特征尤为重要。这是因为噪声导致图像的质量严重退化,从而很大程度上制约图像的分类精度。其次,在一个局部区域内的像素通常代表相同的物质和具有相似的光谱特性,因此综合利用高光谱数据的空间信息被期待获取更好的分类性能。然而,现有的文献通常只利用了像素的光谱-空间信息,没有考虑局部区域内像素的几何邻近性,而且不能有效滤除退化图像的高斯,斑点和脉冲噪声等。另一方面,目前大多较为流行的分类器通常被看作是浅层学习模型 ...
【技术保护点】
一种基于三边滤波器和堆栈稀疏自动编码器的图像分类方法,其特征是:首先,使用三边滤波器获取平滑的图像,提取所述图像的像素的光谱‑空间特征的同时滤除退化图像的高斯、斑点和脉冲噪声;其次,使用改进的堆栈稀疏自动编码器进行高阶特征提取;最后,利用随机森林分类器进行有监督微调网络和分类。
【技术特征摘要】
1.一种基于三边滤波器和堆栈稀疏自动编码器的图像分类方法,其特征是:首先,使用三边滤波器获取平滑的图像,提取所述图像的像素的光谱-空间特征的同时滤除退化图像的高斯、斑点和脉冲噪声;其次,使用改进的堆栈稀疏自动编码器进行高阶特征提取;最后,利用随机森林分类器进行有监督微调网络和分类。2.根据权利要求1所述的基于三边滤波器和堆栈稀疏自动编码器的图像分类方法,其特征是:所述三边滤波器的像素更新公式为:I^(t)=1WtΣv∈Spexp(-||t-v||22δs2-||J(t)-J(v)||22δr2-ROAD||I(t)-I(v)||22δd2)I(v)]]>其中,t和v分别代表像素的坐标,Sp代表像素t的邻域的集合,δs、δr和δd分别为控制空间参数、幅值参数和脉冲参数,I(t)是初始图像的中心像素,I(v)是邻域窗口内的像素,J(t)和J(j)分别是基于参考图像的中心像素和邻域窗口内的像素,Wt是空间邻近性加权相似性加权和脉冲加权的乘积,Wt进一步表示为:Wt=Σv∈Spexp(-||t-v||22δs2-||J(t)-J(v)||22δr2-ROAD||I(t)-I(v)||22δd2)]]>3.根据权利要求2所述的基于三边滤波器和堆栈稀疏自动编码器的图像分类方法,其特征是:在执行脉冲加权时,采用等级排序绝对差来确定样本点是图像的边缘点或是被脉冲噪声污染的像素点,相应的计算公式如下:d[t,v]=|I(t)-I(v)|rf(t,v)=fthsmallestd[t,v]ROADg(t,v)=Σf=1grf(t,v)]]>其中,rf(t,v)代表增序排列的绝对差异值d[t,v],即从小到大累计选取f个d[t,v]值,2≤g≤w2-2,w是窗口尺寸,在等式中,ROAD统计被用来度量中心像素和第g个邻域像素的邻近程度。4.根据权利要求1、2或3所述的基于三边滤波器和堆栈稀疏自动编码器的图像分类方法,其特征是所述使用改进的堆栈稀疏自动编码器进行高阶特征提取具体包括:稀疏自动编码器尝试提取隐藏特征以至译码层的重构矢量近似于输入层的输入数据,即输入矢量x∈RD被映射到隐藏层和产生一个线性组成z∈RS,然后采用一个非线性激活函数f(x)=(1+exp(-x))-1获取输出a,如下所示z=wx+b1,a=f(z)其中,w∈RS×D和b1∈RS×1分别代表输入层到隐藏层的权重和偏置,D代表输入数据维数、S代表隐藏层神经元个数,为了验证是否获取的重构y近似于初始输入,对获取的a进行译码,如下所示:t=va+b2,y=f(t)其中,v∈RD×S、b2∈RD×1分别代表隐藏层到输出层的权重和偏置,初始输入x和重构y之间的最小误差被计算;为了发现初始输入的一些特定结构和相关性,稀疏约束和权重惩罚项被添加到网络中,目标函数J如下所示:J=12Σm=1M||ym-xm||22+λ2ΣlΣiΣj(wi,j(l))2+ηΣi=1SKL(r||r‾i)]]>其中,M是样本个数,xm和ym分别代表第m个输入和输出,λ代表权重惩罚参数,η代表稀疏惩罚项的...
【专利技术属性】
技术研发人员:赵春晖,万晓青,闫奕名,赵艮平,黄湘松,
申请(专利权)人:哈尔滨工程大学,
类型:发明
国别省市:黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。