基于空间信息增强和深度信念网络的高光谱图像分类方法技术
【技术实现步骤摘要】
基于空间信息增强和深度信念网络的高光谱图像分类方法
本专利技术属于高光谱影像处理和计算机视觉领域，特别涉及一种高光谱图像分类方法，可用于环境、气候、农业以及矿物探测。
技术介绍
随着光谱成像技术和遥感技术的快速发展，高光谱遥感技术已经成为一种前沿技术。高光谱遥感影像具有很高的光谱分辨率和较高的空间分辨率，可以实现对地表物体的精确分类，因此可以应用于许多领域：如环境，气候，农业，以及矿物探测等。目前解决高光谱图像分类问题的主要方法是进行光谱特征提取，再借助分类器进行分类，该方法主要集中的是传统机器学习算法，其中以基于支持向量机SVM的算法为代表。这类方法的不足是仅仅考虑到光谱信息而忽略了空间信息，导致分类精度不够理想。随着现在光谱成像技术的发展，高光谱图像在具有很高的光谱分辨率的同时，也具有越来越高的空间分辨率，因此将高光谱图像的空间信息和光谱信息结合进行高光谱图像处理正成为现在高光谱图像处理领域极具热度的研究方向。深度学习是机器学习研究的一个新兴热门领域，其主要是根据人脑机制，建立神经网络来进行学习分析，通过模拟人脑学习方式来解译诸如图像、语音、文本等信息，相比传...
【技术保护点】
基于空间信息增强和深度信念网络的高光谱图像分类方法，包括：(1)预处理：将原始高光谱图像的反射率值归一化到0到1之间，得到归一化后的高光谱图像Xu，并对Xu进行波段选择，选择100个波段，并将这100个波段作为空间信息增强的保留代表波段，得到预处理之后的高光谱图像Xp；(2)对预处理后的高光谱图像Xp进行空间信息增强：2a)对预处理后的高光谱图像Xp计算波段图像的相关性系数矩阵R，根据相关性系数大小进行波段分组，组内任意两个波段图像间的相关性系数大于等于0.95，每个组包含不同数量的波段；2b)在每个组内计算所有波段图像的图像信息熵H，选取图像信息熵最大的波段图像作为引导图...
【技术特征摘要】
1.基于空间信息增强和深度信念网络的高光谱图像分类方法，包括：(1)预处理：将原始高光谱图像的反射率值归一化到0到1之间，得到归一化后的高光谱图像Xu，并对Xu进行波段选择，选择100个波段，并将这100个波段作为空间信息增强的保留代表波段，得到预处理之后的高光谱图像Xp；(2)对预处理后的高光谱图像Xp进行空间信息增强：2a)对预处理后的高光谱图像Xp计算波段图像的相关性系数矩阵R，根据相关性系数大小进行波段分组，组内任意两个波段图像间的相关性系数大于等于0.95，每个组包含不同数量的波段；2b)在每个组内计算所有波段图像的图像信息熵H，选取图像信息熵最大的波段图像作为引导图像I；2c)在每个分组内使用引导图像I分别对组内其他波段图像进行导向滤波，得到空间信息增强的波段图像；2d)将空间信息增强的波段图像按照其分组前的波段序号合并，得到空间信息增强的高光谱图像Xs；(3)构建深度信念网络：设置深度信念网络由两层限制波尔兹曼机和一层分类器组成，其中第一层限制波尔兹曼机的隐含层神经元数目为50，无监督训练次数为100，学习率为0.15，激励函数为Sigmoid函数；第二层限制波尔兹曼机的隐含层神经元数目为50，无监督训练次数为100，学习率为0.2，激励函数为Sigmoid函数；最上层连接的分类器是Softmax分类器；(4)网络训练和测试：在空间信息增强后的高光谱图像Xs包含的多类地物中每类随机选择300个样本构成训练集，剩下的样本构成测试集；用训练集对构建的深度信念网络进行训练，得到深度信念网络模型M，用该模型M对测试集进行测试，得到分类结果。2.根据权利要求书1中所述的方法，其中步骤(2a)中对预处理后的高光谱图像Xp计算波段图像的相关性系数矩阵R，通过如下公式计算：其中，i和j表示波段序号，L表示波段图像数，N表示波段图像包含的像素数，表示第i个波段的波段图像的灰度均值，表示表示第j个波段的波段图像的灰度均值，xik表示第i个波段图像的第k个像素的灰度值，xjk表示表示第j个波段图像的第k个像素的灰度值，yj...
【专利技术属性】
技术研发人员：李娇娇，孙利平，李云松，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61
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。