基于三边滤波器和堆栈稀疏自动编码器的图像分类方法技术

本发明专利技术提供的是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。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。本发明专利技术将改进的堆栈稀疏自动编码器和随机森林分类器引入到高光谱数据分类中，作为一种深度学习架构，改进的堆栈稀疏自动编码器可以逐层地提取光谱数据的抽象的和有用的深层次特征，从而提高光谱数据的分类性能。本发明专利技术不仅适用于对高光谱图像进行分类，同时也可以对其他图像进行分类。具有很强的可移植性，更易满足图像分类的需求。

【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，例如线性支持向量机，逻辑回归，最大似然分类器和稀疏表示基分类器等。然而这些分类器不能有效地提取光谱数据的高阶特征。
技术实现思路
本专利技术的目的在于提供一种能够提高光谱数据的分类性能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。专利技术是这样实现的：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(SSA)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。本专利技术还可以包括：1、所述图像为高光谱图像。2、所述三边滤波器的像素更新公式为：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：在执行脉冲权重因子时，采用等级排序绝对差(Rank-OrderedAbsoluteDifferences(ROAD))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]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。3、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：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代表稀疏惩罚项的权重，代表l层的第i个隐层神经元和l-1层的第j个输入神经元之间的连接权重；此外，代表隐藏单元的目标平均激活函数r和隐藏神经元i的平均激活函数采用改进的人工鱼群智能优化算法优化每一层稀疏自动编码器的目标函数，具体方案如下：设鱼群总数为n，每一条鱼代表一个神经网络和任意两条鱼的差值和加性值仍然代表一个神经网络，稀疏自动编码器的优化参数包括两个权重矩阵[w]与[v]和阈值向量b；在当前的位置，个体鱼的食物浓度为Y＝1/E，两个个体鱼Xp和Xq之间的距离如下：其中，输出层神经元个数是N，wij(p)和wij(q)分别代表人工鱼Xp和Xq的参数矩阵[w]中第i行、第j列的元素，vki(p)和vki(q)分别代表人工鱼Xp和Xq的参数矩阵[v]中第k行、第i列的元素，bi(p)和bi(q)分别代表人工鱼Xp和Xq的阈值向量b中第i行的元素，bk(p)和bk(q)分别代表人工鱼Xp和Xq的阈值向量b中第k行的元素，dpq代表两个个体鱼Xp和Xq之间的距离。觅食行为：w(p)是个体鱼的当前状态，然后在视野范围内随机地选择一个新的状态w(q)，如果食物浓度Yq＞Yp,w(p)按照公式被更新；否则，再一次选择一个新的状态来判断是否满足前进条件，如果在执行最大尝试次数后仍然不满足前进条件，个体鱼将按照公式w(pnext)＝w(p)+rand()×step+χ×(wij(best)-wij(l)),if(Yq≤Yp)执行随机行为，其中，w(pnext)是个体鱼的下一步状态，rand()是[0,1]之间均匀地产生一个随机数，wij(best)和wij(l)分别代表当前最优人工鱼Xbest和随机鱼Xl的参数矩阵[w]中第i行、第j列的元素，χ是黄金比例系数λ和偏移的乘积表示为：其中，代表标准均匀分布的一个随机值和取值区间为利用模糊逻辑系统来动态地调整视野距离V和移动步长M，鱼群位置的分散度和迭代次数作为输入变量，同时V和M作为输出变量，分散性测度表达公式如下：其中，鱼群总数为n，k代表当前迭代，和分别代表第k次迭代时的人工鱼Xp和最优人工鱼Xbest，D代表模糊系统的输入变量即鱼群之间的分散性，迭代和分散性度量被归一化在0到1之间，如下所示：KNorm＝k/Kmax式中，KNorm和DNorm分别为将当前迭代次数k与分散性D进行标准正态化后的模糊系统输入参数；Kmax为最大迭代次数；Dmin和Dmax分别为每次迭代中分散性的最小值和最大值。本专利技术将改进的堆栈稀疏自动编码器和随机森林分类器引入到高光谱数据分类中，作为一种深度学习架构，改进的堆栈稀疏自动编码器可以逐层地提取光谱数据的抽象的和有用的深层次特征，从而提高光谱数据的分类性能。本专利技术提出的联合三边滤波器与堆栈稀疏自动编码器的分类方法不仅适用于对高光谱图像进行分类，同时也可以对其他图像进行分类。具有很强的可移植性，更易满足图像分类的需求。本专利技术的优点如下：1)在计算相似性权重wr过程中，使用的是基于双树复本文档来自技高网...

【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