基于熵率超像素分割的自编码器的高光谱图像分类方法技术

本发明专利技术提出了一种基于熵率超像素分割的自编码器的高光谱图像分类方法，主要解决高光谱图像分类性能不佳的问题。实现步骤为：获取高光谱数据训练样本集和测试样本集；构建n层自编码器网络；输入训练样本集，利用损失函数对基于熵率超像素分割的自编码器网络进行训练；输入测试数据集，利用训练后的基于熵率超像素分割的自编码器网络对高光谱图像进行分类。本发明专利技术采用的基于熵率超像素分割的自编码器的高光谱图像分类方法，考虑了空间上下文邻域信息，挖掘了数据样本的分布特性，有效地提高了高光谱图像的分类精度，可用于农业监测、地质勘探、灾害环境评估等领域地物的区分和辨别。

A hyperspectral image classification method based on entropy rate super pixel segmentation

The invention proposes a hyperspectral image classification method based on entropy rate super pixel segmentation, which mainly solves the problem of poor performance of hyperspectral image classification. The method comprises the following steps: acquiring hyperspectral data of the training samples and the test samples; construction of n network layer from the encoder input; the training sample set of the auto encoder network training rate of entropy of super pixel segmentation based on loss function; input test data sets, using the entropy rate of super pixel segmentation from the encoder network for hyperspectral image classification based on post training. Hyperspectral image classification method from the encoder the entropy rate of super pixel segmentation based on the context, considering the spatial neighborhood information, mining the distribution characteristics of the sample data, effectively improve the classification accuracy of hyperspectral image, can be used to distinguish and identify agricultural monitoring, geological prospecting, disaster areas such as environmental assessment objects the.

【技术实现步骤摘要】
基于熵率超像素分割的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
，涉及一种高光谱图像分类方法，具体涉及一种基于熵率超像素分割的自编码器的高光谱图像分类方法，用于农业，测绘，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。其空间图像描述地表的二维空间特征，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空间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。高光谱遥感技术已经广泛的应用于人们的日常生活中。因此，设计实用高效的高光谱图像分类方法，已经成为现代社会必不可少的科技需求。目前，研究人本文档来自技高网...

【技术保护点】
一种基于熵率超像素分割的自编码器的高光谱图像分类方法，其特征在于，包括如下步骤：(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】
1.一种基于熵率超像素分割的自编码器的高光谱图像分类方法，其特征在于，包括如下步骤：(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，其中，b表示Xa的波段个数，m表示Xa的样本个数；(1b)随机选取Xa的10％样本组成训练样本集Xpp，Xpp∈Rb×pp，其余的90％样本组成测试样本集Xqq，Xqq∈Rb×qq，其中，pp表示初始训练样本集Xpp的数量，qq代表初始测试样本的数量，且满足pp+qq＝m；(1c)按照光谱波段对初始训练样本集Xpp和初始测试样本集Xqq分别进行归一化操作，得到归一化后的训练样本集Xp和测试样本集Xq；(2)构建n层自编码器网络：(2a)构建每一层由输入层、隐藏层和重构层组成的自编码器网络，其中，自编码器网络的第l+1层的输入层等于第l层的隐藏层，l＝1,…,n；(2b)确定自编码器网络各层的节点数、学习速率α和激活函数f(Z)，并对自编码器网络第l层的输入层和隐藏层的连接权值w(l)和偏差b(l)以及第l层自编码器网络的隐藏层和重构层的连接权值和偏差进行初始化，n层自编码器网络构建完成；(3)对基于熵率超像素分割的自编码器网络进行训练，得到训练后的基于熵率超像素分割的自编码器网络：(3a)计算自编码器网络第l层的重构层激活值(3a1)将训练样本集Xp作为第l层自编码器网络的输入层激活值a(l)，并利用该输入层激活值a(l)计算隐藏层激活值a(l+1)；(3a2)利用自编码器网络第l层的隐藏层激活值a(l+1)计算重构层激活值(3b)定义自编码器网络第l层熵率超像素分割约束的计算公式，并将自编码器网络第l层的重构层激活值作为该计算公式的输入，计算自编码器网络第l层熵率超像素分割约束J2(w(l),b(l))，l＝1；(3c)利用自编码器网络第l层熵率超像素分割约束J2(w(l),b(l))，计算第l层自编码器网络的连接权值w(l)和偏差b(l)，l＝1；(3d)获取第l层自编码器网络的连接权值w(l)和偏差b(l)，l＝2,3，…n：将第l层自编码器网络的隐藏层激活值a(l+1)作为第l+1层自编码器网络的输入层激活值a(l)，令l＝l+1，重复步骤(3a)-(3c)，直到l＝n，得到第l层自编码器网络的连接权值w(l)和偏差b(l)；(4)利用训练后的基于熵率超像素分割的自编码器网络对高光谱图像进行分类：(4a)将测试样本集Xq输入到训练后的基于熵率超像素分割的自编码器网络中；(4b)训练后的基于熵率超像素分割的自编码器网络对测试样本集Xq进行逐层学习，得到自编码器网络的最后一层的隐藏层激活值a(n+1)；(4c)采用softmax逻辑回归分类器，对自编码器网络的最后一层的隐藏层激活值a(n+1)进行分类，得到测试样本集Xq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所述的基于熵率超像素分割的自编码器的高光谱图像分类方法，其特征在于，步骤(3a1)中所述的计算隐藏层激活值a(l+1)，计算公式为：a(l+1)＝f(Z(l+1))＝f(w(l)a(l)+b(l))其中，w(l)是自编码器网络第l层的输入层和隐藏层的连接权值，b(l)是自编码器网络第l层的输入层和隐藏层的偏差，Z(l+1)是第l层隐藏层的未激活值。3.根据权利要求1所述的基于熵率超像素分割的自编码器的高光谱图像分类方法，其特征在于，步骤(3a2)中所述的计算重构层激活值计算公式为：其中，是自编码器网络第l层...

【专利技术属性】
技术研发人员：冯婕，王琳，刘立国，焦李成，张向荣，张小华，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