【技术实现步骤摘要】
基于超像素样本扩充的空谱全卷积高光谱图像分类方法
本专利技术属于图像处理
,具体涉及一种基于超像素样本扩充的空谱全卷积高光谱图像分类方法。
技术介绍
随着科学技术的进步,高光谱遥感技术得到了巨大的发展。高光谱数据可表示为高光谱数据立方体,是三维数据结构。高光谱数据可视为三维图像,在普通二维图像之外又多了一维光谱信息。其空间图像描述地表的二维空间特征,其光谱维揭示了图像每一像元的光谱曲线特征,由此实现了遥感数据空间维与光谱维信息的有机融合。高光谱遥感图像含有丰富的光谱信息,可以提供空间域信息和光谱域信息,具有“图谱合一”的特点,可以实现对地物精确的辨别与细节提取,对于认识客观世界提供了有利条件。由于高光谱图像独有的特点,高光谱遥感技术已经广泛的应用在不同的领域。在民用领域,高光谱遥感影像已经被用于城市环境监测、地表土壤监测、地质勘探、灾害评估、农业产量估计、农作物分析等方面。高光谱遥感技术已经广泛的应用于人们的日常生活中。因此,设计实用高效的高光谱图像分类方法,已经成为现代社会必不可少的科技需求。目前,研究人员已经提出了许多经典的分类方法用于高光谱图像分类,代表性的分类方法有支持向量机(SVM)和神经网络(CNN)。SVM通过最大化类别边界,在小样本分类中取得了较好的分类结果。F.MelganiandL.Bruzzone在“Classificationofhyperspectralremotesensingimageswithsupportvectormachines”将SVM引入了高光谱图像分类,在当时 ...
【技术保护点】
1.基于超像素样本扩充的空谱全卷积高光谱图像分类方法,其特征在于,包括以下步骤:/nS1、输入高光谱图像PaviaU,从高光谱图像PaviaU中获取训练样本X
【技术特征摘要】
1.基于超像素样本扩充的空谱全卷积高光谱图像分类方法,其特征在于,包括以下步骤:
S1、输入高光谱图像PaviaU,从高光谱图像PaviaU中获取训练样本Xt和测试样本Xe;
S2、对高光谱数据集进行归一化处理,对每个训练样本从分割标签矩阵中取和在它邻域内并且与它的分割标签相同的n个标签作为伪标签样本加入到训练样本中;
S3、分别构建光谱特征提取模块和空谱特征提取模块,构建光谱特征图和空谱特征图加权融合模块,以空谱结合的特征作为输入经过两个卷积层并设置,构建一个用于高光谱分类的空谱结合的全卷积神经网络;
S4、构建步骤S3全卷积神经网络的损失函数,训练神经网络;
S5、经过多次训练投票得出最终分类结果图,实现图像分类。
2.根据权利要求1所述的基于超像素样本扩充的空谱全卷积高光谱图像分类方法,其特征在于,步骤S1具体为:
S101、记三维高光谱图像PaviaU为U,V,C分别为高光谱图像的空间长度,空间宽度和光谱通道数,高光谱图像包含N个像素点,每个像素点有C个光谱波段,N=U×V;
S102、将X中类别标签1到9的样本每类随机取30个组成初始训练样本集Xt,剩下的作为测试样本Xe。
3.根据权利要求1所述的基于超像素样本扩充的空谱全卷积高光谱图像分类方法,其特征在于,步骤S2具体为:
S201、对三维高光谱图像进行PCA降维处理,降维后图像的通道数为1;
S202、对PCA降维后的图像进行熵率超像素分割,分割结果为50块,将得到分割标签矩阵为
S203、设真实标签矩阵分割标签矩阵为(x0,y0)处的训练样本的真实标签为分割图中分割标签为选择(x,y)为中心的7×7的空间中满足的任意n个样本,生成伪标签为符合上述标准的伪标签样本进行扩充,此时训练样本数量变成原来的n+1倍,测试样本维持不变。
4.根据权利要求1所述的基于超像素样本扩充的空谱全卷积高光谱图像分类方法,其特征在于,步骤S3具体为:
S301、构建光谱特征提取模块,光谱特征提取模块包括三个卷积层和一个合并层,每个卷积层后面加relu激活函数和批归一化处理;
S302、构建空谱特征提取模块,空谱特征提取模块包括1×1卷积,relu激活,批归一化,多尺度空间特征融合层,3×3空洞卷积,relu激活,批归一化,2×2平均池化和一个合并层;
S303、构建光谱特征图和空谱特征图加权融合模块;
S304、空谱结合的特征作为输入经过两个卷积层;
S305、卷积后的特征图进行PCA降维到5维,以备后续CRF处理的使用;
S30...
【专利技术属性】
技术研发人员:王佳宁,李林昊,郭思颖,黄润虎,杨攀泉,焦李成,侯彪,张向荣,毛莎莎,
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。