【技术实现步骤摘要】
基于密集残差三维卷积神经网络的高光谱遥感图像分类方法
本专利技术属于遥感测绘与信息工程领域,尤其涉及一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法。
技术介绍
随着高光谱遥感技术的发展,新的高光谱传感器能够同时采集光谱特征和空间特征的连续图像,这些图像包含丰富的地物信息。遥感数据不仅反映了地物的光谱信息,且同时包含了地物的空间分布信息,因此,在农业、环境监测、城市规划和军事侦察等领域有着广泛的应用。地物的发展和类型变化容易引起遥感图像数值的变化,因此能否对遥感图像数据的变化规律准确分析,是地物类型进行分类与识别的关键。遥感数据不仅包含了地物的光谱信息,还含有地物的空间分布信息,所含信息量复杂,给高光谱遥感图像的分类带来了挑战,传统的高光谱遥感图像分类方法仅仅利用了图像的光谱信息,导致分类的准确度一直很不如人意。深度学习作为一种能够结合空间信息的分类方法能对高光谱遥感图像的地物信息进行准确的划分与识别,近年来被广泛应用于高光谱图像的分类任务中。深度学习网络通过模拟人脑的学习过程,利用了多层抽象机制来对数据进行抽象表达,提供了一种可以自动进行特征学习的框架。该框架以原始数据作为输入,通过逐层抽象和表示,逐步将原始数据转换为一组具备较高描述能力的特征。深度学习中的各层网络输出同样具有描述能力,每个网络层次都是数据在不同层次的抽象和描述,较为底层的网络输出对应于数据的底层特征,而中高层的网络输出对应于数据的中高层特征,自动建立了数据的底层特征到高层结构的关联与映射。深度学习可以为高光谱数据分析提供新的机制, ...
【技术保护点】
1.一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法,其特征在于:该方法包括以下步骤:/n步骤一,利用高光谱遥感图像的原始样本构建虚拟样本,将原始样本和虚拟样本混合构成训练样本,所述训练样本为三维的数据立方体;/n步骤二,利用加入密集残差结构的三维卷积神经网络,将混合训练样本作为神经网络输入,提取高光谱遥感图像的三维空谱特征,将三维特征转换为一维特征;/n步骤三,在神经网络的全连接层使用Soft-max分类器进行分类预测,构建目标函数,训练卷积神经网络,得到初始分类结果,即高光谱遥感图像每个像元所属类别;/n步骤四,将得到的初始分类结果通过多标签条件随机场进行全局优化,得到最终的高光谱图像的分类结果。/n
【技术特征摘要】
1.一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法,其特征在于:该方法包括以下步骤:
步骤一,利用高光谱遥感图像的原始样本构建虚拟样本,将原始样本和虚拟样本混合构成训练样本,所述训练样本为三维的数据立方体;
步骤二,利用加入密集残差结构的三维卷积神经网络,将混合训练样本作为神经网络输入,提取高光谱遥感图像的三维空谱特征,将三维特征转换为一维特征;
步骤三,在神经网络的全连接层使用Soft-max分类器进行分类预测,构建目标函数,训练卷积神经网络,得到初始分类结果,即高光谱遥感图像每个像元所属类别;
步骤四,将得到的初始分类结果通过多标签条件随机场进行全局优化,得到最终的高光谱图像的分类结果。
2.根据权利要求1所述的一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法,其特征在于:所述步骤一,构建混合训练样本,具体如下:
使用高光谱遥感图像的原始样本数据通过模拟成像,将随机因子和随机噪声加入原始样本,形成虚拟样本,公式如下:
其中,yk是生成的虚拟样本,xi、xj表示同一类别中两个不同的原始样本,在一定范围内变化的高光谱特征属于一个类别,yk拥有和样本xi、xj同样的类别标签;αi、αj是对应样本的光强度扰动,β表示高斯噪声ns的权重;
将原始样本和生成的虚拟样本混合构成训练样本。
3.根据权利要求1所述的一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法,其特征在于:所述步骤二,提取空谱特征方法具体如下:
2-1,以待分类像元为中心提取邻域大小为s×s×L的高光谱图像数据立方体作为网络的输入,其中s×s表示图像的空间域大小,L是高光谱图像的光谱维度;
2-2,通过三维卷积神经网络的第一个卷积层C1的卷积操作得到n个s×s×b大小的特征图,b为光谱维数,b<L;
2-3,将所得特征图通过密集残差连接的卷积神经网络的三个卷积层C2、C3和C4,将每层得到的特征图组合,得到m个s×s×b大小的特征图,b为光谱维数;
2-4,通过卷积层C5和池化层,将三维的特征转换为一维的特征,再连接全连接层FC,全连接层输出的结果即为提取到的空谱特征。
4.根据权利要求3所述的一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法,其特征在于:在全连接层采用dropout方法随机丢弃50%的隐藏层节点以控制过拟合的风险。
5.根据权利要求3所述的一种基于密集残差三维卷积神经网络的高光谱遥感图像分类方法,其特征在于:所述密集连接结构即第l层的输入是第0层到第l-1层中每层输出的和;卷积层使用大小为a×a×d的k个卷积核学习光谱空间特征,a>1,d>...
【专利技术属性】
技术研发人员:陈苏婷,张闯,吴超群,丁杰,邵东威,
申请(专利权)人:南京信息工程大学,
类型:发明
国别省市:江苏;32
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。