【技术实现步骤摘要】
基于深度特征交叉融合的高光谱图像分类方法
本专利技术属于遥感信息处理
，进一步涉及高光谱图像分类方法，具体为一种基于深度特征交叉融合的高光谱图像分类方法，可实现地物识别，用于环境监测、地质勘探等领域。
技术介绍
随着光谱成像技术的发展，高光谱图像的空间分辨率不断提高，光谱波段也越来越多，使得高光谱图像的信息越来越丰富。丰富的光谱和空间特征使高光谱图像分类更具前景，同时，对于分类精度要求也更为严格。高光谱图像分类技术主要包含数据特征工程和分类两部分，其中特征工程包括特征选择和特征提取，传统的高光谱图像分类技术的分类效果高度依赖于手工设计的特征工程方法，特征工程不仅需要丰富的领域经验，对不同类型的数据(例如：农业数据和城市数据)泛化性能也比较差。随着深度学习在计算机视觉、自然语言处理等领域的广泛应用，基于深度学习的特征提取和分类方法在高光谱数据分类领域也得到了应用，端对端的深度网络具有分层特征提取的特点，其在高光谱图像特征提取和分类上具有更强的泛化能力，且效果相较于传统分类方法也更好。基于监督学习的深度模型...
【技术保护点】
1.一种基于深度特征交叉融合的高光谱图像分类方法，其特征在于，包括如下步骤：/n(1)输入高光谱数据并进行预处理：/n1a)输入高光谱数据，读取该数据得到高光谱图像及其相应分类标签，所述高光谱图像为h×w×b的三维立方体数据，分类标签为h×w的二维类别标记数据；其中，h表示高光谱图像的高，w表示高光谱图像的宽，b表示高光谱图像的光谱带数；/n1b)对高光谱数据的每个光谱维度进行归一化处理，得到预处理后的归一化高光谱数据；/n1c)通过分析分类标签矩阵，将有标签的样本点取出构成n×2的二维位置矩阵；其中，n表示有标签的样本个数，两列数据分别存储有标签的样本在高光谱图像上的空间...
【技术特征摘要】
1.一种基于深度特征交叉融合的高光谱图像分类方法，其特征在于，包括如下步骤：
(1)输入高光谱数据并进行预处理：
1a)输入高光谱数据，读取该数据得到高光谱图像及其相应分类标签，所述高光谱图像为h×w×b的三维立方体数据，分类标签为h×w的二维类别标记数据；其中，h表示高光谱图像的高，w表示高光谱图像的宽，b表示高光谱图像的光谱带数；
1b)对高光谱数据的每个光谱维度进行归一化处理，得到预处理后的归一化高光谱数据；
1c)通过分析分类标签矩阵，将有标签的样本点取出构成n×2的二维位置矩阵；其中，n表示有标签的样本个数，两列数据分别存储有标签的样本在高光谱图像上的空间位置横纵坐标值；
(2)构建数据块集合，并划分训练数据集和测试数据集：
2a)令空间邻域半径为p，在宽度(p,w-p]、高度(p,h-p]范围内，通过二维位置矩阵获取归一化高光谱数据中每一个有标记类别的样本，并对其进行取块操作得到数据块样本；
2b)以数据块样本中心处像素的标记作为其标签，所有数据块样本和其相应标签共同组成数据块集合；
2c)将数据块集合中的每一类样本数据均按照3:7的比例划分为训练样本和测试样本两部分，所有训练样本组成训练数据集、测试样本组成测试数据集；
(3)构建基于深度特征交叉融合的高光谱图像分类网络：
3a)将多个连续的卷积层和激活函数层顺序组合，得到特征整合网络模块，用于整合高光谱数据的空谱信息同时进行降维；
3b)依次构造多个并行的包含不同空间分辨率的卷积网络分支，其中，除第一分支外的其它分支均由其上一分支产生；第二分支产生后，经过连续的一个或多个卷积和激活函数整合当前阶段两个分支的特征，进行一次特征交叉融合，同时由第二分支产生第三分支，以此类推，每产生一个新分支，所有分支通过连续的一个或多个卷积和激活函数整合特征，随后进行一次或多次特征交叉融合操作，并产生新分支；通过多个并行的卷积网络分支提取高光谱数据的深度特征，再采用特征交叉融合的方式对不同尺度的深度特征进行多次信息交换得到多尺度深度特征；
3c)通过采样操作和激活函数融合多尺度深度特征，得到多尺度深度特征的融合特征；
3d)通过一个或多个卷积和激活函数操作，将多尺度深度特征的融合特征整合为最终特征；
3e)将特征整合模块、多个卷积网络分支与最终特征串行连接后接全连接层，最后连接softmax分类器，得到基于深度特征交叉融合的高光谱图像分类网络；
(4)对网络进行训练：
将训练数据集作为基...
【专利技术属性】
技术研发人员：焦李成，李玲玲，王科，樊龙飞，刘旭，冯志玺，朱浩，唐旭，郭雨薇，陈璞花，
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
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。