基于NSCT变换和DCNN的高光谱图像分类方法技术

本发明专利技术公开了基于NSCT变换和DCNN的高光谱图像分类方法，解决了现有技术中不能充分挖掘待分类高光谱图像纹理细节和方向性信息的问题。本发明专利技术的实现为：输入高光谱图像；进行NSCT变换；对变换后立体块归一化并进行取块操作；在样本集合中随机选取训练、验证和测试样本集；构造深度卷积神经网络，设置网络超参数；训练网络；测试样本输入网络得到实际分类标签，画地物分类结果图；分类标签与测试样本参考标签对比计算分类评价指标，画出训练和验证样本随迭代次数增加的损失曲线图，完成地物分类。本发明专利技术保留了高光谱图像更多的纹理细节、方向性和空间信息，分类更加准确，可应用于气象、环境监测、土地利用、城市规划及防灾减灾等。

Hyperspectral image classification method based on NSCT transform and DCNN

The present invention discloses a hyperspectral image classification method based on NSCT transform and DCNN, and solves the problem that the existing technology can not fully excavate the texture detail and directional information of the hyperspectral image to be classified. In order to realize the invention: input hyperspectral image; NSCT transform; to transform three-dimensional block normalization and take the block operation; in the sample set of randomly selected training, validation and testing sample set; structural depth convolutional neural network, set the network parameters; training network; test sample input network practical classification label the classification results, draw the map; computing the classification evaluation index classification tag reference and test sample tag comparison, draw the curve of loss of training and validation samples increase with the number of iterations, complete classification. The invention retains more texture details, directionality and spatial information of the hyperspectral image, and the classification is more accurate, and can be applied to the meteorological, environmental monitoring, land use, urban planning and disaster prevention and mitigation.

【技术实现步骤摘要】
基于NSCT变换和DCNN的高光谱图像分类方法
本专利技术属于图像处理
，涉及高光谱图像分类，具体是一种基于非下采样轮廓波(NSCT)变换和深度卷积神经网络(DCNN)的高光谱图像分类方法。可应用于气象监测、环境监测、土地利用、城市规划及防灾减灾等。
技术介绍
高光谱遥感图像由于是对物体在大范围波段内连续成像，具有光谱分辨率高、蕴含信息丰富的优点，因此，高光谱图像在遥感领域得到了广泛的应用。高光谱图像分类在地质勘探、食品安全、环境监测等领域有着重要的应用，也是高光谱遥感领域其他应用的基础，其目的是对大范围波段连续成像的像元按照其语义划分为不同的地物类别。近年来，随着计算机并行计算能力的快速提高以及各类数据数据量的指数级增长，深度神经网络作为一种强大的特征提取方法已受到国内外学者的广泛关注并已成功应用于图像、文本、语音、视频等数据的特征提取中且普遍取得了比传统方法更好的效果，因此也被引入到高光谱图像的分类中来。目前基于深度神经网络进行高光谱图像分类的方法有基于栈式自编码(SAE)的，基于深度置信网(DBN)的和基于深度卷积神经网络(DCNN)的。ZhouhanLin等人在其发表的本文档来自技高网...

【技术保护点】
一种基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，包括如下步骤：(1)输入任选的一幅尺寸为h×w×n待分类高光谱图像；(2)对该高光谱图像进行降维，对降维后的每一个主分量分别进行非下采样轮廓波变换，保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块；(3)对立体块进行归一化操作；(4)对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得到样本集合；(5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的10％为测试样本集，每一个样本均有各自的参考标签；(6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络，...

【技术特征摘要】
1.一种基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，包括如下步骤：(1)输入任选的一幅尺寸为h×w×n待分类高光谱图像；(2)对该高光谱图像进行降维，对降维后的每一个主分量分别进行非下采样轮廓波变换，保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块；(3)对立体块进行归一化操作；(4)对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得到样本集合；(5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的10％为测试样本集，每一个样本均有各自的参考标签；(6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络，并用Softmax函数作为分类器，设置网络的超参数；(7)对深度卷积神经网络进行有监督训练，通过验证样本调整深度卷积神经网络的超参数并防止过拟合，得到训练好的深度卷积神经网络；(8)将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本分类的总体精度、平均精度以及Kappa系数，画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成高光谱图像的地物分类。2.根据权利要求1所述的基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(2)所述的非下采样轮廓波变换，按照如下步骤进行：(2a)对原始高光谱图像在光谱方向上使用主成分分析进行降维操作，保留前3个主分量；(2b)对降维后得到的3个主分量分别进行3级非下采样轮廓波变换，第k级变换是对第k-1级NSCT变换得到的低频子带系数矩阵进一步分解得到的，经过第k级变换得到1个低频子带系数矩阵和2k个高频子带系数矩阵，每一个子带系数矩阵的尺寸均为h×w，k＝1,2,3；(2c)仅保留每一级变换的高频子带系数矩阵，将所有的高频子带系数矩阵在第三个维度进行叠加得到第三个维度的维数c，c＝3×(21+22+23)＝42维，最终得到一个尺寸为h×w×c的立体块。3.根据权利要求1所述...

【专利技术属性】
技术研发人员：白静，徐敏，陈盼，焦李成，张向荣，缑水平，
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