基于可分离卷积和硬阈值函数的高光谱波段选择方法技术

本发明专利技术提出了一种基于可分离卷积和硬阈值函数的高光谱波段选择方法，解决了高光谱图像波段选择性能不佳、分类精度差及耗时长的问题。实现步骤为：输入高光谱图像；产生训练与测试样本；构建包含波段选择层、空谱联合信息和分类器的卷积神经网络；通过训练得到优化后的卷积神经网络；利用训练后的基于波段选择的卷积神经网络对高光谱图像进行分类。本发明专利技术通过构建基于波段选择的卷积神经网络，在网络结构中搭建基于可分离卷积和硬阈值函数的波段选择层，实现了波段选择及分类一体化，克服了因二者分离导致的分类精度低、速度慢的问题。利用网络特征学习能力，提高了波段选择性能和分类精度。在军事、民用、农业、生态等领域有着广泛的应用。

【技术实现步骤摘要】
基于可分离卷积和硬阈值函数的高光谱波段选择方法
本专利技术属于图像处理
，涉及一种高光谱图像分类，具体是一种基于可分离卷积和硬阈值函数的高光谱波段选择方法，用于农业，测绘，考古，环境和灾害监测等领域。
技术介绍
随着遥感科学技术和成像技术的发展，高光谱遥感技术的应用领域越来越广泛。高光谱数据可视为三维数据立方体，是在普通二维图像数据之外，又增加了一维的光谱信息。高光谱遥感图像结合了丰富的空间域信息和光谱域信息，具有“图谱合一”的特点，对地物精确识别提供了更高的辨别力。由于高光谱图像独有的特点，使其在军事调查、生态建设、土地利用、全球环境、自然灾害等领域有着广泛的应用。高光谱分辨率导致了波段数量和数据量的增加，相邻波段具有强相关性，并且在高光谱数据采集过程中，辐射过程会受到诸多外界环境因素的影响引入大量噪声。上述因素使得在处理高光谱数据时，增加了无关数据的处理量，降低数据利用率，不利于光谱信息的高效快速提取和利用，并且噪声或无效波段参与后续的数据处理会对最终的图像处理结果有不良影响。关键地，直接对全部的高光谱数据进行处理，会由于数据量大而产生的维数灾难现象，导致最终的图像处理精度本文档来自技高网...

【技术保护点】
1.一种基于可分离卷积和硬阈值函数的高光谱波段选择方法，其特征在于，包括有如下步骤：(1)输入高光谱图像；(2)获取样本集：(2a)以高光谱图像中的每个像素为中心，划定一个15×15像素大小的空间窗；(2b)将每个空间窗内所有的像素组成一个数据立方体；(2c)将所有的数据立方体组成高光谱图像的样本集，卷积神经网络的原始输入均为来自样本集中的样本；(3)产生训练样本与测试样本：(3a)在高光谱图像的样本集中，随机选取5％的样本，组成高光谱图像的训练样本；(3b)将剩余95％的样本组成高光谱图像的测试样本；(4)构建基于波段选择的卷积神经网络的波段选择层，并进行波段选择：(4a)构建波段选择层作为...

【技术特征摘要】
1.一种基于可分离卷积和硬阈值函数的高光谱波段选择方法，其特征在于，包括有如下步骤：(1)输入高光谱图像；(2)获取样本集：(2a)以高光谱图像中的每个像素为中心，划定一个15×15像素大小的空间窗；(2b)将每个空间窗内所有的像素组成一个数据立方体；(2c)将所有的数据立方体组成高光谱图像的样本集，卷积神经网络的原始输入均为来自样本集中的样本；(3)产生训练样本与测试样本：(3a)在高光谱图像的样本集中，随机选取5％的样本，组成高光谱图像的训练样本；(3b)将剩余95％的样本组成高光谱图像的测试样本；(4)构建基于波段选择的卷积神经网络的波段选择层，并进行波段选择：(4a)构建波段选择层作为基于波段选择的卷积神经网络的第一层，其中，将输入样本的每个原始波段作为输入节点，设计基于1×1卷积核的可分离卷积结构，具体地，对于每个输入节点，用单个1×1卷积核对每个输入节点进行卷积；(4b)波段选择层利用可分离卷积和硬阈值函数进行波段选择：输入原始波段信息，输出为所选出的波段，将选出的波段作为波段组合输入后续网络，具体地，是利用通过硬阈值函数的权值矩阵与原始波段信息进行可分离卷积，实现波段选择；(5)构建空谱联合信息提取层进行特征提取，以及构建分类器用于分类：(5a)构建空谱联合信息提取层作为基于波段选择的卷积神经网络的第二层，具体地，构建三种尺度1×1、3×3和5×5卷积核，并分别对波段选择层的输出结果进行二维卷积；(5b)将波段选择层输出输入至空谱联合信息提取层，将得到的输出结果级联作为空谱联合特征输入至后续网络，实现空谱联合特征提取；(5c)构建分类器并连接在空谱联合信息提取层后，作为基于波段选择的卷积神经网络的后续层，具体地，通过卷积层和池化层级联堆叠，最终连接全连接层以及分类层，实现分类器的构建；(5d)将空谱联合信息提取层的输出结果输入至分类器，输出为样本的预测标签，实现最终分类；(6)对基于波段选择的卷积神经网络进行训练，得到训练后的卷积神经网络：输入训练样本，将卷积神经网络输出和真实样本标签通过交叉熵公式建立卷积神经网络的损失函数，利用梯度下降法优化分类器和空谱联合信息提取层，并利用直通估算器进一步优化波段选择层，重复执行步骤(6)直至满足迭代次数，得到训练好的卷积神经网络；(7)利用训练后的基于波段选择的卷积神经网络对高光谱图像进行分类：将高光谱图像的测试样本输入到训练好的网络模型中，输出测试样本的预测标签，获得分类结果。2.根据权利要求1所述的基于可分离卷积和硬阈值函数的高光谱波段选择方法，其特征在于，步骤(4a)中所述的构建波段选择层作为基于波段选择的卷积神经网络的第一层，包括有如下步骤：(4a1)基于波段选择的卷积神经网络是由波段选择层作为第一层，空谱联合信息提取层为第二层，最后连接分类器组成；(4a2)将15×15×d的图像块输入波段选择层，其中d代表高光谱图像的波段数，每一个波段作为一个输入节点，即共有d个输入节点，每个节点输入尺寸为15×15；(4a3)构建可分离卷积网络结构，即对每个输入节点使用一个1×1卷积核进行卷积。3.根据权利要求1所述的基于可分离卷积和硬阈值函数的高光谱...

【专利技术属性】
技术研发人员：冯婕，陈建通，冯雪亮，焦李成，张向荣，王蓉芳，刘若辰，
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