一种融合多尺度空间特征的DCNN高光谱图像分类方法技术

本发明专利技术提出了一种融合多尺度空间特征的深度卷积神经网络高光谱分类方法。该方法能够最大限度地发掘空间上下文特征，提高高光谱分类精度。并且，该方法融合了多尺度空间特征，提升了方法的鲁棒性，使方法适用于不同的数据集。

A DCNN Hyperspectral Image Classification Method Fusing Multi-scale Spatial Features

【技术实现步骤摘要】
一种融合多尺度空间特征的DCNN高光谱图像分类方法
本专利技术涉及高光谱图像分类
，更具体的说是涉及一种融合多尺度空间特征的DCNN高光谱图像分类方法。
技术介绍
得益于高光谱传感器的发展，高光谱图像在遥感领域被广泛的应用。高光谱图像具有数百个光谱通道，能够更详细地描述物质的特征，有利于更好的识别不同物质和物体。高光谱图像被应用到各种应用领域，如地表覆盖、环境监测、农业等。高光谱图像分类作为高光谱图像应用的一个关键问题成为遥感领域的一个研究热点。早期的高光谱图像分类主要关注如何抽取光谱特征，以便解决高光谱引发的维度灾难问题。一些降维方法，如主成分分析(PCA)、独立成分分析(ICA)，与传统的分类方法相结合成为常用的分类手段，如最近邻(KNN)、支持向量机(SVM)、随机森林等。近期，随着深度学习在各个领域的广泛应用，高光谱分类也出现了多种深度学习分类方法，如自编码器(AE)、卷积神经网络(CNN)、深度信念网络(DBN)等。这些方法中，CNN的分类性能最好，但是，始终达不到人们的预期。因为高光谱图像存在严重的“同谱异物，同物异谱”的现象。为了克服这些问题、提高分类精度，很多学者提出空谱融合的高光谱图像分类方法。该方法用光谱特征融合空间上下文信息，很大程度提升了分类精度。其中，基于多核学习的空谱分类方法是一种常用的空谱融合方法。该方法主要与支持向量机相结合实现高光谱图像分类。另一类空谱融合分类方法采用共同表示方式实现分类，如共同稀疏表示、字典学习等方法。对于深度学习，早期的空谱融合方法是基于邻接像素或邻接域的分类方法。康旭东等人提出基于引导滤波的空谱融合分类方法。后来，王力哲等人提出了基于多特征的深度学习高光谱分类方法。但是，这些研究均只考虑了一种尺度的空间特征，没有最大限度的发挥空间特征的优势。因此，如何提供一种能够最大限度地发掘空间上下文特征，提高高光谱分类精度的分类方法是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种融合多尺度空间特征的DCNN高光谱图像分类方法，能够最大限度地发掘空间上下文特征，提高高光谱分类精度。并且，该方法融合了多尺度空间特征，提升了方法的鲁棒性，使方法适用于不同的数据集。为了实现上述目的，本专利技术提供如下技术方案：一种融合多尺度空间特征的DCNN高光谱图像分类方法，其特征在于，具体步骤包括如下：步骤一：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；将原始图像用主成分分析法降维，得到引导图像G和降维后高光谱图像I；步骤二：以降维后高光谱图像I的分量为被引导图像，设置e次不同的引导滤波半径re，其中re取3，5，7…像素，正则项ε＝0.001，得到引导后的图像分量；以同样的方式为降维后高光谱图像I的其他分量做滤波，得到降维后高光谱图像I的滤波后的图像；步骤三：设置不同的引导滤波半径re得到降维后高光谱图像I的e个滤波后的图像，分别为A1,A2,...,Ae；步骤四：将每个不同的滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量fi，进一步将每个光谱分量fi组合得到图像F；步骤五：将每个光谱分量fi变形为X×Y的二维矩阵，作为卷积神经网络的输入；其中，X×Y＝S；步骤六：将图像F的分量按比例分为训练集和测试集利用深度卷积神经网络进行分类。为了进一步优化上述技术方案，所述步骤一中，原始图像为D＝[d1,d2,...，ds]，其中，di＝[di1,di2,...，diN]，其中，S为光谱通道，i＝1,...，S；N＝α×β；经过主成分分析法降维后，取前三个分量作为引导图像G＝[P1,P2,P3]，降维后的高光谱图像I＝[P1,P2,...，PK]，其中，P1＝[Pi1,Pi2,...，PiN]，N＝α×β。为了进一步优化上述技术方案，所述步骤三中，选用不同的引导滤波半径得到滤波后的图像其中其中其中为了进一步优化上述技术方案，所述步骤四中，对应的分量进行拼接成分量进一步将每个光谱分量fi组合得到图像F。为了进一步优化上述技术方案，所述步骤六中，引入损失函数为：其中，m为批处理的规模，N为权重的个数，w为权重的值，λ为惩罚系数。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种融合多尺度空间特征的DCNN高光谱图像分类方法，能够最大限度地发掘空间上下文特征，提高高光谱分类精度。并且，该方法融合了多尺度空间特征，提升了方法的鲁棒性，使方法适用于不同的数据集。并且为了解决卷积神经网络过拟合问题改进了损失函数。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1附图为本专利技术的实施例1框架图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种融合多尺度空间特征的DCNN高光谱图像分类方法，能够最大限度地发掘空间上下文特征，提高高光谱分类精度。并且，该方法融合了多尺度空间特征，提升了方法的鲁棒性，使方法适用于不同的数据集。实施例将本专利技术的技术方案应用于IndianPines数据集上，其维度为145×145×200，其中空间尺度为145×145像素，光谱通道为200。一种融合多尺度空间特征的DCNN高光谱图像分类方法，具体步骤包括如下：步骤一：原始图像的维度为145×145×200，其中，145×145为空间尺度，200为光谱通道；将原始图像用主成分分析法降维，得到引导图像G和降维后高光谱图像I；步骤二：以降维后高光谱图像I的分量为被引导图像，设置3个不同的引导滤波半径re，其中re取3，5，7像素(其中引导滤波半径的定义是取3，5，7像素)，正则项ε＝0.001，得到引导后的图像分量；以同样的方式为降维后高光谱图像I的其他分量做滤波，得到降维后高光谱图像I的滤波后的图像；步骤三：设置不同的引导滤波半径re得到降维后高光谱图像I的e个滤波后的图像，分别为A1,A2,A3；步骤四：将每个不同的滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量fi，进一步将每个光谱分量fi组合得到图像F；步骤五：将每个分量fi变形为10×20的二维矩阵，作为卷积神经网络的输入；步骤六：将图像F的分量10％为训练集和90％为测试集利用深度卷积神经网络进行分类。为了进一步优化上述技术方案，步骤一中，原始图像为D＝[d1,d2,...，ds]，其中，di＝[di1,di2,...，diN]，其中，S为200，i＝1,…，200；N＝145×145；经过主成分分析法降维后，取前三个分量作为引导图像G＝[P1,P2,P3]，降维后的高光谱图像I＝[P1,P2,…，PK]，K＝50，其中，P1＝[Pi1,Pi2,…，PiN]，N＝145×145。为了进一步优化上述技术方案，步骤三中，选用不同的引导滤波半径得本文档来自技高网...

【技术保护点】
1.一种融合多尺度空间特征的DCNN高光谱图像分类方法，其特征在于，具体步骤包括如下：步骤一：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；将原始图像用主成分分析法降维，得到引导图像G和降维后高光谱图像I；步骤二：以降维后高光谱图像I的分量为被引导图像，设置e次不同的引导滤波半径re，其中re取3，5，7…像素，正则项ε＝0.001，得到引导后的图像分量；以同样的方式为降维后高光谱图像I的其他分量做滤波，得到降维后高光谱图像I的滤波后的图像；步骤三：设置不同的引导滤波半径re得到降维后高光谱图像I的e个滤波后的图像，分别为A

【技术特征摘要】
1.一种融合多尺度空间特征的DCNN高光谱图像分类方法，其特征在于，具体步骤包括如下：步骤一：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；将原始图像用主成分分析法降维，得到引导图像G和降维后高光谱图像I；步骤二：以降维后高光谱图像I的分量为被引导图像，设置e次不同的引导滤波半径re，其中re取3，5，7…像素，正则项ε＝0.001，得到引导后的图像分量；以同样的方式为降维后高光谱图像I的其他分量做滤波，得到降维后高光谱图像I的滤波后的图像；步骤三：设置不同的引导滤波半径re得到降维后高光谱图像I的e个滤波后的图像，分别为A1,A2,...,Ae；步骤四：将每个不同的滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量fi，进一步将每个光谱分量fi组合得到图像F；步骤五：将每个光谱分量fi变形为X×Y的二维矩阵，作为卷积神经网络的输入；其中，X×Y＝S；步骤六：将图像F的分量按比例分为训练集和测试集利用深度卷积神经网络进行分类。2.根据权利要求1所述的一种融合多...

【专利技术属性】
技术研发人员：郭延辉，赵学臣，于谦，
申请(专利权)人：山东女子学院，
类型：发明
国别省市：山东,37