基于二值量化网络的高光谱图像分类方法技术

本发明专利技术提出了一种基于二值量化网络的高光谱图像分类方法，主要解决高光谱图像的边缘模糊、模型复杂和提取云的空间特征信息不足的技术问题。实现步骤为：生成训练集；构建全精度卷积神经网络；训练全精度卷积神经网络；构建二值量化卷积神经网络；初始化二值量化卷积神经网络的；训练二值量化卷积神经网络；对高光谱图像进行分类。本发明专利技术利用了七个量化模块，简化了传统的卷积神经网络结构，充分提取高光谱图像云层的空间特征信息，在节省计算资源的同时提高了高光谱图像云分类的精度。

【技术实现步骤摘要】
基于二值量化网络的高光谱图像分类方法
本专利技术属于图像处理
，更进一步涉及图像分类
中的一种基于二值量化网络的高光谱图像分类方法。本专利技术可用于从高光谱图像中分类出有云图像和无云图像。
技术介绍
高光谱成像仪可以在数百个狭窄波段内对物体进行成像，其波段范围从可见光覆盖到红外波段，“图谱合一”的特点使其能获得更多的信息。目前高光谱数据处理已成为了国内外的一个重要研究领域。其中，高光谱图像云分类在航空飞行保障和天气预报等方面都具有重要的理论价值和应用前景。根据云的占比，高光谱图像可以分为少云和多云两大类别。然而，高光谱图像千变万化，无论云的高度、厚度、种类以及太阳高度角等因素，还是高光谱图像中个别通道中的噪声以及部分云层在红外和水汽上的特征与晴空的特征近似等都会干扰到高光谱图像的分类结果。基于深度学习的神经网络技术通过特有的非线性映射、自学习、自组织的信息处理能力可以深度挖掘图像特征信息。西北工业大学在其申请的专利文献“基于三维轻量化深度网络的高光谱图像分类方法”(专利申请号：201811542534.1，申请公开号：109本文档来自技高网...

【技术保护点】
1.一种基于二值量化网络的高光谱图像分类方法，其特征在于，利用交叉熵损失函数对全精度卷积神经网络进行训练，利用训练好的全精度卷积神经网络初始化二值量化卷积神经网络，利用交叉熵损失函数对初始化后的二值量化卷积神经网络进行训练；该方法具体步骤包括如下：/n(1)生成训练集：/n(1a)将N张大小为W×H×C含有云层的高光谱图像裁剪成M张大小为512×512×N的高光谱图像，其中，60<N<120，W、H和C分别表示高光谱图像的宽、高和波段数，1000<W<2000，1000<H<2000，3<C<256，W、H和C的单位为像素，8000<M&l...

【技术特征摘要】
1.一种基于二值量化网络的高光谱图像分类方法，其特征在于，利用交叉熵损失函数对全精度卷积神经网络进行训练，利用训练好的全精度卷积神经网络初始化二值量化卷积神经网络，利用交叉熵损失函数对初始化后的二值量化卷积神经网络进行训练；该方法具体步骤包括如下：
(1)生成训练集：
(1a)将N张大小为W×H×C含有云层的高光谱图像裁剪成M张大小为512×512×N的高光谱图像，其中，60<N<120，W、H和C分别表示高光谱图像的宽、高和波段数，1000<W<2000，1000<H<2000，3<C<256，W、H和C的单位为像素，8000<M<16000；
(1b)利用云占比公式，计算裁剪后每幅图像的云占比，将云占比低于10％的裁剪后高光谱图像判为无云图，其余的判为有云图；
(1c)从所有的无云图和所有的有云图中各自随机选取80％高光谱图像组成训练集，若训练集中的高光谱图像是有云图，那么实际有云的概率值为1，实际无云的概率值为0，否则，实际有云的概率值为0，实际无云的概率值为1；
(2)构建全精度卷积神经网络：
(2a)搭建一个10层的全精度卷积神经网络，其结构依次为：第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第六卷积层→第七卷积层→池化层Pool1→全连接层FC1；
(2b)设置全精度卷积神经网络每层的尺寸大小如下：
将第一至第五卷积层的卷积核的个数依次设置为16，32，64，128，256，每个卷积核的大小均设置为3×3，卷积步长均设置为2；
将第六至第七卷积层的卷积核的个数依次设置为128，256，每个卷积核大小均设置为1×1，卷积步长均设置为1；
池化层Pool1采用平均池化方式，将池化层的池化卷积核大小设置为4×4，池化步长设置为4；
将全连接层FC1的输出节点个数设置为2；
(3)训练全精度卷积神经网络：
(3a)将训练集输入到全精度卷积神经网络中，得到全连接层FC1的两个输出节点值，利用soft-max多分类函数分别计算全精度卷积神经网络预测有云的概率值和预测无云的概率值；
(3b)将全精度卷积神经网络预测有云的概率值和预测无云的概率值分别输入到交叉熵损失函数中，得到损失值；
(3c)利用损失值和梯度下降法，计算全精度量化卷积神经网络中每个卷积层的每个卷积核的所有权重的梯度和全连接层FC1的每个输出节点的所有权重的梯度；
(3d)利用每个卷积层的每个卷积核的所有梯度和全连接层FC1的每个输出节点的所有梯度，迭代更新全精度卷积神经网络中每个卷积层的每个卷积核的所有权重和全连接层FC1的每个输出节点的所有权重，直到交叉熵损失值小于0.1时，得到训练好的全精度卷积神经网络,保存训练好的全精度卷积神经网络中每个卷积层的每个卷积核的所有权重和全连接层FC1的每个输出节点的所有权重；
(4)构建二值量化卷积神经网络：
(4a)搭建一个10层的二值量化卷积神经网络，其结构依次为：第一量化模块→第二量化模块→第三量化模块→第四量化模块→第五量化模块→第六量化模块→第七量化模块→池化层Pool2→全连接层FC2；
每个量化...

【专利技术属性】
技术研发人员：雷杰，苏展，吴凌云，李云松，谢卫莹，张鑫，
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