The present invention provides a robust classification method for hyperspectral images based on piecewise depth characteristics and low rank representation. Firstly, in order to reduce the influence of noise on feature extraction as much as possible, stack-based denoising self-encoding network is used to extract unsupervised features from hyperspectral images. Then, a robust classifier based on low rank representation is established by fully mining similarities and differences between classes in hyperspectral images. Effective optimization method is used to optimize the objective function. In the presence of noise in training data, a better classification effect can also be achieved.
【技术实现步骤摘要】
基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
本专利技术属高光谱图像处理
,具体涉及一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法。
技术介绍
目前高光谱图像已经被广泛应用于资源勘探、环境监测及目标识别等领域,但是在实际的应用中,由于成像环境及传输过程的影响,高光谱图像易受噪声干扰,导致图像质量下降,从而影响高光谱图像解译的精度。如何在噪声广泛存在的情况下,有效地完成高光谱图像分类任务逐渐受到国内外学者的广泛关注。大量实验表明,堆栈自编码器是一种有效的无监督特征学习方法,如文献“ZabalzaJ.;RenJ.C.;ZhengJ.B.;ZhaoH.M.;QingC.M.;YangZ.J;DuP.J;MarshallaS.NovelsegmentedstackedautoencoderforeffectivedimensionalityreductionandfeatureextractioninhyperspectralimagingNeurocomputing,2016,185,1-10”中方法充分考虑高光谱图像光谱间的相关性,对原始的高光谱图像在光谱维上进行分段,然后使用不同的堆栈自编码器对分段的高光谱图像进行无监督地特征提取,最后使用支持向量机对获得的深度特征进行分类。然而,该方法仅考虑了光谱间的相关性,并没有充分挖掘高光谱图像空间的相关性,以及类内相似性和类间差异性,从而限制了高光谱图像分类的精度。
技术实现思路
为了克服现有技术的不足,本专利技术提出一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法。首先,为了尽可能降低噪声对特 ...
【技术保护点】
1.一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法,其特征在于包括以下步骤:步骤一:计算高光谱图像不同波段光谱间的相关系数,然后将相关系数大于0的相邻波段图像划分为一段,高光谱图像在光谱维上共划分为s段;步骤二:将高光谱图像像素随机地分为训练数据和测试数据,并按照步骤一的光谱维划分方法,分别将训练数据和测试数据在光谱维上划分为s段,然后,利用分段的训练数据分别对堆栈去噪自编码器进行训练,每一段得到一个训练好的堆栈去噪自编码器,共得到s个训练好的堆栈去噪自编码器;其中,每个堆栈去噪自编码器的隐藏层的层数为2~10层,每个隐藏层的神经元数为10、20、50、100、150或200;步骤三:分别利用训练好的堆栈去噪自编码器对其光谱维上对应段的高光谱图像进行特征提取,得到分段的高光谱图像深度特征,然后将所有分段的深度特征进行级联得到高光谱图像的深度特征F,其中,包括训练数据的深度特征Ftrain和测试数据的深度特征Ftest;步骤四:利用逻辑回归方法对训练数据的深度特征Ftrain进行预分类,分为L类,并生成预测类别标签labelpredict,其中,L表示高光谱图像中已知的像元类别数 ...
【技术特征摘要】
1.一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法,其特征在于包括以下步骤:步骤一:计算高光谱图像不同波段光谱间的相关系数,然后将相关系数大于0的相邻波段图像划分为一段,高光谱图像在光谱维上共划分为s段;步骤二:将高光谱图像像素随机地分为训练数据和测试数据,并按照步骤一的光谱维划分方法,分别将训练数据和测试数据在光谱维上划分为s段,然后,利用分段的训练数据分别对堆栈去噪自编码器进行训练,每一段得到一个训练好的堆栈去噪自编码器,共得到s个训练好的堆栈去噪自编码器;其中,每个堆栈去噪自编码器的隐藏层的层数为2~10层,每个隐藏层的神经元数为10、20、50、100、150或200;步骤三:分别利用训练好的堆栈去噪自编码器对其光谱维上对应段的高光谱图像进行特征提取,得到分段的高光谱图像深度特征,然后将所有分段的深度特征进行级联得到高光谱图像的深度特征F,其中,包括训练数据的深度特征Ftrain和测试数据的深度特征Ftest;步骤四:利用逻辑回归方法对训练数据的深度特征Ftrain进行预分类,分为L类,并生成预测类别标签labelpredict,其中,L表示高光谱图像中已知的像元类别数;步骤五:首先,选取深度特征Ftrain中训练较好的特征构建得到字典D,即:D={fi},当fi∈Ftrain且labelpredict(i)=labeloriginal(i)(1)其中,i表示Ftrain中特征的位置索引,labelpredict(i)表示i位置处特征的预测类别标签,labeloriginal(i)表示i位置处特征的真实类别标签;然后,对字典D中的特征按照类别顺序进行重新排列得到D=[D1,D2,...,DL],其中,Dj表示字典D中第j类特征的集合,j=1,...,L;步骤六:按下式建立基于权值核范数的低秩表示模型:其中,Z为低秩表示系数矩阵,E为误差项,||E||1表示E的L1范数,λ为平衡因子,λ=0.1,表示矩阵Z的权值核范数,sn表示矩阵Z的奇异值的个数,表示σi(Z...
【专利技术属性】
技术研发人员:魏巍,张艳宁,王聪,张磊,
申请(专利权)人:西北工业大学,
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。