【技术实现步骤摘要】
基于脉冲神经网络的高光谱遥感影像分类方法
本专利技术属遥感信息处理
，特别涉及一种基于脉冲神经网络的高光谱遥感影像分类方法。
技术介绍
高光谱图像(HSI)是由高光谱遥感器捕获，具有数百个连续窄光谱带的图像。高光谱图像能提供丰富的光谱信息，以识别和区分地球某一区域的地面物体种类。由于高光谱图像同时能够提供光谱域和空间域信息，因此被用于许多重要的社会应用领域，例如矿产资产勘察，森林资源清查和城市建设规划。上述应用的成功依赖于正确的HSI图像分类，HSI分类的目的是为整个图像的每个像素分配正确的标签。在过去几年中，许多不同的方法已应用于HSI分类。在早期的研究中，先验知识和数学方法被用来获得用于分类的空间信息和光谱信息。使用谱空间信息进行训练，并使用传统的机器学习方法对HSI数据进行分类，例如k-邻近算法(kNN)，支持向量机(SVM)等。随着深度神经网络的快速发展，近来遥感高光谱图像(HSI)的分类精度得到了极大的提高。然而，基于卷积神经网络(卷积神经网络)的深度网络的推断是非常低效的，通常需要配...
【技术保护点】
1.一种基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，包括如下步骤：/nS1：获取原始的HSI数据集，并对HSI数据集进行预处理；/nS2：对预处理后的HSI数据集进行训练，并将等效的卷积神经网络分类模型转换为脉冲神经网络分类模型，所述脉冲神经网络分类模型用于对HSI图像进行分类；/nS3：获取测试数据集，并对测试数据集进行滑动窗口截取预处理操作，将预处理后的高光谱图像转换为脉冲形式后输入脉冲神经网络分类模型中，得到初始预测标签，通过在初始预测标签上增加边界光滑约束，得到最终分类结果。/n
【技术特征摘要】
1.一种基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，包括如下步骤：
S1：获取原始的HSI数据集，并对HSI数据集进行预处理；
S2：对预处理后的HSI数据集进行训练，并将等效的卷积神经网络分类模型转换为脉冲神经网络分类模型，所述脉冲神经网络分类模型用于对HSI图像进行分类；
S3：获取测试数据集，并对测试数据集进行滑动窗口截取预处理操作，将预处理后的高光谱图像转换为脉冲形式后输入脉冲神经网络分类模型中，得到初始预测标签，通过在初始预测标签上增加边界光滑约束，得到最终分类结果。
2.根据权利要求1所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S1中对HSI数据集进行预处理包括如下步骤：
S11：采用滑动窗口剪裁HSI数据集，获得以每个像素为中心的大小为k×k的图像块；
S12：沿光谱维度引入随机R-PCA压缩整个图像，降维后，每个图像块的尺寸均为k×k×cr，cr为常数经验值。
3.根据权利要求2所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S2中包括如下步骤：
S21：采用卷积神经网络模型基于预处理后的HSI数据集训练等效卷积神经网络；
S22：将等效的卷积神经网络分类模型转换为脉冲神经网络分类模型。
4.根据权利要求3所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S21中卷积神经网络框架的结构为，第一层和第二层均为卷积层，第一层的内核大小为3×3，内核数C1＝3×cr，第二层的内核大小为3×3，内核数C2＝3×C1，余下三层被组织为经典的MLP分类器，将MLP隐层神经元的数量设置为6×cr。
5.根据权利要求3所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S21中卷积神经网络模型最后一隐含层的激活函数使用softmax，余下隐含层的激活函数采用ReLU，且所有层涉及到的降采样pooling操作均采用maxpooling。
6.根据权利要求3所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S22包括如下步骤：
S221：计算每个神经元的膜电位，对各膜电位做泊松采样，从而将神经元的响应转换为脉冲形式；
S222：取整个神经网络神经...
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。