基于SAE深度网络的高光谱图像空谱联合的分类方法技术

本发明专利技术涉及一种基于SAE深度网络的高光谱图像空谱联合的分类方法，替代了传统的PCA降维后使用邻域信息作为空间特征，使用当前像素点的空间位置信息，即行列坐标作为空间特征，然后和其谱特征结合作为训练样本的空谱联合特征，进而提出一种基于SAE深度网络的高光谱图像空谱联合分类方法。本发明专利技术的有益效果在于：改进了传统的基于SAE深度网络空谱联合分类中提取空间特征的方法，使用空间位置信息作为空间特征而不是传统的提取空间特征的方法即在谱空间上进行主成分分析(PCA)降维后提取邻域的空间信息作为空间特征，不仅简化了空间特征的提取方法，减少了运算量，而且相较于传统的方法提高了分类精度。

【技术实现步骤摘要】

本专利技术属于信息处理
，涉及一种对高光谱图像的分类方法，具体涉及一种基于SAE深度网络的高光谱图像空谱联合的分类方法。
技术介绍
高光谱图像光谱分辨率高、成像波段多、信息量大，在遥感领域正在被越来越广泛的应用。高光谱图像分类技术在这些应用中起着重要作用。最近十多年来，人工神经网络的研究工作不断深入，依据神经网络可以实现对某种算法或函数的逼近，人们利用神经网络结构实现对于高光谱图像的分类，神经网络层数越多，其表征信息的能力也就越强。因为神经网络层数的增加，随之而来的问题是梯度扩散问题，于是人们提出了基于SAE(StackedAutoencoder)深度网络的空谱联合分类方法，改善了梯度扩散问题。但是传统的基于SAE深度网络的空谱联合分类方法在提取每个像素点的空间特征时十分复杂，首先需要在谱空间上进行主成分分析(principalcomponentsanalysis，PCA)降维，然后提取每个像素点的邻域的空间信息和与该像素点的谱特征结合，作为其空谱联合特征。然而，降维处理不仅计算量大，而且损失了一定的谱信息，从而影响了分类的精度。此外，提取邻域信息时还需要对边缘上的像素进行特殊处理(如补零操作)。
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SAE深度网络的高光谱图像空谱联合的分类方法，克服传统的基于SAE深度网络的空谱联合分类方法提取空间特征计算量大且复杂，谱信息丢失影响分类精度的问题。技术方案一种基于SAE深度网络的高光谱图像空谱联合的分类方法，其特征在于步骤如下：步骤1：对高光谱图像像素的谱特征数据进行归一化操作，即将谱特征数据映射到0-1之间，得到归一化的谱特征；将位于的像素的空间特征设为，然后对所有的空间特征进行归一化操作，即将空间特征映射到0-1之间，得到归一化的空间特征；步骤2：以归一化的谱特征和归一化的空间特征联合作为AE的输入层，将输入层乘以权重，再加上偏置得到隐藏层，将隐藏层乘以权重，再加上偏置得到重建层，构成3层网络结构的自编码器AE；采用BP算法训练自编码器AE的参数，使重建层还原输入层；所述Wy＝WzT＝W，T为转置；步骤3：去除重建层，将隐藏层作为新的自编码器AE的输入层，按照步骤2中所述方法训练出一个新的自编码器AE；重复构建多个自编码器AE；步骤4：将多个自编码器AE进行连接构建得到SAE网络；步骤5：将SAE网络连接softmax层，然后利用BP算法对整个网络进行参数更新得到训练好的网络；步骤6：利用训练好的网络对高光谱图像进行分类。以训练好的网络对高光谱图像的测试集进行分类，得到分类的准确率。调整自编码器AE的隐藏层的单元个数，重复构建自编码器AE的个数或BP算法中的学习速率，改变分类的准确率。所述W为-1～1之间的随机数值。有益效果本专利技术提出的一种基于SAE深度网络的高光谱图像空谱联合的分类方法，替代了传统的PCA降维后使用邻域信息作为空间特征，使用当前像素点的空间位置信息，即行列坐标作为空间特征，然后和其谱特征结合作为训练样本的空谱联合特征，进而提出一种基于SAE深度网络的高光谱图像空谱联合分类方法。首先，将行列坐标与谱特征结合起来作为训练样本的空谱联合特征，利用训练样本的空谱特征作为输入层构建一个3层的自编码器(Autoencoder，AE)，这3层分别是输入层，隐藏层，重建层，经过训练使得重建层尽可能的还原输入层；然后，将AE的重建层去除，利用前一个AE的隐藏层作为输入层构建一个新的AE，依次类推，这样就构建了一个SAE网络；最后，将SAE网络连接上softmax层，利用误差的反向传播(Backpropagation，BP)算法对整个网络的参数进行调整，这样就得到了一个具有高正确率的分类器。本专利技术的有益效果在于：改进了传统的基于SAE深度网络空谱联合分类中提取空间特征的方法，使用空间位置信息作为空间特征而不是传统的提取空间特征的方法即在谱空间上进行主成分分析(PCA)降维后提取邻域的空间信息作为空间特征，不仅简化了空间特征的提取方法，减少了运算量，而且相较于传统的方法提高了分类精度。附图说明图1：基于SAE深度网络的高光谱图像空谱联合分类方法的流程图图2：基于SAE深度网络的高光谱图像空谱联合分类方法的框图具体实施方式现结合实施例、附图对本专利技术作进一步描述：本专利技术实施例步骤如下：步骤1对高光谱图像数据，依照公式对谱特征数据进行归一化操作。其中i,j表示行列坐标，s表示谱段，xmax、xmin分别表示三维高光谱图像谱特征数据中的最大值和最小值，xijs表示三维高光谱图像谱特征数据中第i行第j列的第s个谱段的值，xijs*表示三维高光谱图像谱特征数据中归一化后第i行第j列的第s个谱段的值。步骤2选取空间特征，将高光谱图像中的空间位置信息，即行列坐标作为空间特征，即将位于(i,j)位置的像素的空间特征设为(i,j)。然后对空间特征按照与步骤1相似的方法进行归一化操作。步骤3构建3层的AE，归一化的谱特征和空间特征联合作为自动编码器的输入层，剩余两层为隐藏层和重建层，AE的输入单元个数为谱段个数加上空间特征的个数，即谱段个数加2，隐藏层单元个数一般取60-120，重建层单元个数与输入层个数相同。网络参数训练采用小批量(mini-batch)梯度下降法，具体构建方法如下：设置输入层到隐藏层的权重为Wy,偏置为by；隐藏层到重建层权重和偏置分别为Wz，bz，我们对Wy和Wz定义如下的约束，这样有助于把训练参数减半。Wy＝WzT＝W；定义代价函数c=-1mΣi=1mΣk=1d(xik-zik)2]]>其中d代表输出单元的个数，m表示mini-batch的大小，一般取20-100，xik表示第i个输入的第k个单元，zik表示第i个输出的第k个单元，分别计算代价函数c对权重W及偏置by，bz的偏导数，然后利用AE网络参数的更新法则：Wn+1=Wn-η∂c∂Wn;byn+1=byn-η∂c∂byn;bzn+1=bzn-η∂c∂bzn]]>用来更新网络参数来最小化AE的代价函数。其中η代表学习速率，通常取0.01左右，mini-batch的大小取10-100，训练迭代次数为20-50次，这样重建层能较好地还原输入层。n为当前迭代次数。步骤本文档来自技高网...

【技术保护点】
一种基于SAE深度网络的高光谱图像空谱联合的分类方法，其特征在于步骤如下：步骤1：对高光谱图像像素的谱特征数据进行归一化操作，即将谱特征数据映射到0‑1之间，得到归一化的谱特征；将位于(i,j)的像素的空间特征设为(i,j)，然后对所有的空间特征进行归一化操作，即将空间特征映射到0‑1之间，得到归一化的空间特征；步骤2：以归一化的谱特征和归一化的空间特征联合作为AE的输入层，将输入层乘以权重Wy，再加上偏置by得到隐藏层，将隐藏层乘以权重Wz，再加上偏置bz得到重建层，构成3层网络结构的自编码器AE；采用BP算法训练自编码器AE的参数，使重建层还原输入层；所述Wy＝WzT＝W，T为转置；步骤3：去除重建层，将隐藏层作为新的自编码器AE的输入层，按照步骤2中所述方法训练出一个新的自编码器AE；重复构建多个自编码器AE；步骤4：将多个自编码器AE进行连接构建得到SAE网络；步骤5：将SAE网络连接softmax层，然后利用BP算法对整个网络进行参数更新得到训练好的网络；步骤6：利用训练好的网络对高光谱图像进行分类。

【技术特征摘要】
1.一种基于SAE深度网络的高光谱图像空谱联合的分类方法，其特征在于步骤如下：
步骤1：对高光谱图像像素的谱特征数据进行归一化操作，即将谱特征数据映射
到0-1之间，得到归一化的谱特征；
将位于(i,j)的像素的空间特征设为(i,j)，然后对所有的空间特征进行归一化操作，
即将空间特征映射到0-1之间，得到归一化的空间特征；
步骤2：以归一化的谱特征和归一化的空间特征联合作为AE的输入层，将输入
层乘以权重Wy，再加上偏置by得到隐藏层，将隐藏层乘以权重Wz，再加上偏置bz得
到重建层，构成3层网络结构的自编码器AE；采用BP算法训练自编码器AE的参数，
使重建层还原输入层；
所述Wy＝WzT＝W，T为转置；
步骤3：去除重建层，将隐藏层作为新的自编码器AE的输入层，按照步骤2中
所述方法训练出一个新的自编码...

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