基于栈式边界辨别自编码器的高光谱图像分类方法技术
【技术实现步骤摘要】
基于栈式边界辨别自编码器的高光谱图像分类方法
本专利技术属于图像处理
，主要涉及高光谱图像分类，具体是一种基于栈式边界辨别自编码器的高光谱图像分类方法，用于农业，测绘，军事，考古，环境和灾害监测等领域。
技术介绍
随着科学技术的发展，高光谱遥感技术得到了巨大的发展。高光谱数据可表示为高光谱数据立方体，是三维数据结构。高光谱数据可视为三维图像，在普通二维图像之外又多了一维光谱信息。其空间图像为描述地表二维空间特征，其光谱维揭示了图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维信息的有机融合。高光谱遥感图像含有丰富的光谱信息，可以提供空间域信息和光谱域信息，具有“图谱合一”的特点，可以实现对地物精确的辨别与细节提取，对于认识客观世界提供了有利条件。由于高光谱图像独有的特点，高光谱遥感技术已经广泛的应用在不同的领域。在民用领域，高光谱遥感影像已经被用于城市环境监测、地表土壤监测、地质勘探、灾害评估、农业产量估计、农作物分析等方面。在军用领域，高光谱遥感展现出了强大的探测能力，可用于障碍物识别、地表部队识别、坦克军舰识别、水下障碍物判断以及敌军的火力分布...
【技术保护点】
一种基于栈式边界辨别自编码器的高光谱图像分类方法，其特征在于，包括有如下步骤：(1)获取高光谱图像的训练样本集Xp和测试样本集Xq：(1a)将三维的高光谱图像X转换为二维高光谱图像Xa，Xa∈R
【技术特征摘要】
1.一种基于栈式边界辨别自编码器的高光谱图像分类方法，其特征在于，包括有如下步骤：(1)获取高光谱图像的训练样本集Xp和测试样本集Xq：(1a)将三维的高光谱图像X转换为二维高光谱图像Xa，Xa∈Rb×m，该图像Xa包含b个光谱波段，m个样本；(1b)随机取Xa的10％样本组成初始训练样本集：Xpp，Xpp∈Rb×pp，其余的90％样本组成初始测试样本集Xqq，Xqq∈Rb×qq，其中，pp，qq分别代表初始训练样本和初始测试样本的数量，满足pp+qq＝m；(1c)对初始训练样本集Xpp和初始测试样本集Xqq分别按照光谱波段进行归一化操作，得到归一化后的训练样本集Xp和测试样本集Xq；(2)获取高光谱图像的第l+1层隐藏层特征集a(l+1)：(2a)抽取训练样本集Xp，设训练样本集Xp位于自编码器网络的第一层，即第l层，1≤l，即自编码器网络的第一层输入样本可以用a(l)表示；(2b)利用自编码器网络计算第l+1层隐藏层特征：a(l+1)＝f(Z(l+1))＝f(w(l)a(l)+b(l))，w(l)是第l层输入层和第l+1层隐藏层之间的权值，b(l)是它对应的偏差，Z(l+1)是第l层输入和l+1层隐藏层的权值和，a是隐藏层Z通过激活函数f的映射值；(2c)利用自编码器网络计算第l+2层重构层特征：是第l+1层隐藏层和相应的解码层的连接权值，是第l+1层相应的偏差；(3)计算高光谱图像训练样本的类内对比度SS和类间分离度SD：通过计算训练样本的类内对比度SS和类间分离度SD，引入边界辨别约束：最小化类内相似度，最大化类间边界样本的相似度；(4)获取第一层自编码器网络的权值w(l)和偏差b(l)：通过最小化均方误差函数J(w,b)，获取第一层自编码器网络的权值w(l)和偏差b(l)；(5)获取第二层自编码器网络的权值w(l+1)和偏差b(l+1)：第一层自编码器网络的输出特征a(l+1)作为第二层自编码器网络的输入特征，计算第二层自编码器网络的输出特征，即第l+1层，重复步骤(2)-(4)，获取第二层自编码器网络的权值w(l+1)和偏差b(l+1)，直至获取整个栈式自编码器网络所有层的权值和偏差；(6)获得高光谱图像分类结果：将测试样本集Xq输入训练完成的栈式自编码器网络，通过栈式自编码器网络逐层学习得到栈式自编码器网络的最后一层的输出特征，将输出特征通过softmax逻辑回归分类器进行分类，得到测试样本的类别标签Yq，即为高光谱图像的分类结果。2.根据权利要求1所述的基于栈式边界辨别自编码器的高光谱图像分类方法，其特征在于，其中步骤(3)中计算高光谱图像样本类内对比度，按如下步骤进行：通过引入边界辨别约束，计算高光谱图像样本的类内对比度：1其中A＝{a·1(l+1),…,a·m(l+1)}是样本矩阵，LS＝D-W是图拉普拉斯矩阵，对角矩阵Dii＝∑jWij，Wij测量两个样本的接近程度，T表示转置，tr表示矩阵的迹,是由xi在相同类...
【专利技术属性】
技术研发人员：冯婕，刘立国，焦李成，王蓉芳，张向荣，尚荣华，刘红英，
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。