基于深度学习的多特征融合高光谱遥感地物分类方法技术

本发明专利技术公开了一种基于深度学习的多特征融合高光谱遥感地物分类方法，该方法可应用于高光谱遥感地物图像分类，解决了高光谱图像分类中标签样本不足和不同层次特征没有得到充分利用的弊端，具体如下：从原始高光谱遥感图像中选取各类别标签样本，并将样本标记为训练样本和测试样本；对训练样本进行预处理将其复制为相同的多份，并输入卷积神经网络的不同卷积层中以得到更多的样本；将卷积神经网络中层和高层的特征在全连接层中进行融合以得到不同层次的特征信息；获得训练的特征后对测试样本进行分类。

【技术实现步骤摘要】
基于深度学习的多特征融合高光谱遥感地物分类方法
本专利技术涉及高光谱遥感地物分类，特别涉及一种基于深度学习的多特征融合高光谱遥感地物分类方法。
技术介绍
随着高光谱遥感技术快速发展，高光谱遥感图像数据在各方面的应用日益剧增，在土地监测、城市规划、灾害监测，森林水土划分等方面有着广泛的应用。遥感影像分类是遥感领域研究的焦点问题，而地物分类是遥感图像分类的一个重要分支，因高光谱遥感图像具有及时性、准确性和迅速获取大范围数据等特性以及其包含的丰富的空间信息和接近连续的光谱信息为地物分类的研究者提供了重要的数据支持。如何充分挖掘高光谱遥感影像中的有用信息用于地物分类是其中的重要研究方向。最初的遥感影像通过目视解译方法进行分类，但需消耗大量人力且效率低。随着计算机技术的发展，K近邻算法、最大似然数法、支持向量机等机器学习方法应用于遥感影像分类中，但是这些传统的算法在遥感分类中精度低，原因是大部分的传统算法只能获取高光谱遥感影像的浅层信息特征再进行分类，没有充分利用高光谱遥感影像中的深层特征，限制了对高光谱地物分类精度的提高。近年来，深度学习爆发式发展，其相关算法已成功应用于图像识别等领域，并且深度学习也已应用于遥感图像分类中，取得了较高的分类精度。三维卷积神经网络获取图像特征过程能够同时获取浅层和深层的特征信息，并且能够同时挖掘高光谱遥感影像的光谱信息和空间信息，相对于传统的算法具有明显的优势。另外，高光谱图像因其高维度、大数据量等特点对于传统的地物分类方法提出了挑战。而深度学习方法对于处理大量数据有优势，故使用深度学习可以对高光谱图像中的大量数据进行处理。然而，常规的三维卷积神经网络用于高光谱遥感影像分类具有以下方面的局限性：1、网络获取特征后通常将高层的特征信息输入分类器，并没有充分利用到其他层次的特征；2、对于卷积神经网络，获取图像特征信息时需要大量的标签样本，而标签样本的制作需要耗费大量人力物力；3、部分地物类别的类间区分较小，需要不同层面的特征进行区分。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于深度学习的多特征融合高光谱遥感地物分类方法，能充分利用卷积神经网络提取的中间层特征信息，并采用多输入样本的方式增强样本量对高光谱遥感影像进行地物分类，并获得了较高的分类精度，为高光谱遥感地物分类提供了一种有效的方法。为解决上述技术问题，本专利技术所采用的技术方案为：一种基于深度学习的多特征融合高光谱遥感地物分类方法，具体如下：通过高光谱图像获取原始数据，选取各类标签样本，样本按设定比例随机分为训练样本和测试样本；每次迭代训练从训练样本中随机输入设定数量的训练样本到预先建立好的三维卷积神经网络中进行训练；且将训练样本复制为数量与三维卷积神经网络模型内卷积层数量一半的份数，得到的多份相同样本分别输入三维卷积神经网络模型的前一半的不同卷积层中进行训练；在训练过程中，利用三维卷积神经网络不同卷积层产生多层次的地物空谱特征信息，获取不同层次的特征，选取其中的中层和高层特征信息并一维化后传输到全连接层中，以损失函数计算损失率后通过优化函数算法更新网络的参数；经过E次迭代训练直至三维卷积神经网络模型收敛，得到训练完的三维卷积神经网络模型；将测试样本输入已训练完的网络模型，将测试样本输入模型中，利用混淆矩阵计算总体分类精度，完成测试；通过训练完的三维卷积神经网络模型对需分类高光谱图像进行分类。作为一种优选的方案，所述损失函数为LogLoss对数损失函数、平方损失函数、指数损失函数中的一种。作为一种优选的方案，所述LogLoss对数损失函数采用softmax交叉熵损失函数或逻辑回归函数。作为一种优选的方案，所述优化函数为Adam、BGD批量梯度下降、SGD随机梯度下降、MBGD小批量梯度下降、Momentum、AdaGrad、adadelta、Rmsprop函数中的一种。作为一种优选的方案，所述标签样本制作具体包括有：在高光谱图像中选定若干作为中心像素的像素点，然后在每个像素点周围以其为中心共M×M个像素点构成一张正方形的图像，其中，M取奇数；得到大小为M×M×B的样本，其中B为输入图像的高光谱的波段数。本专利技术的有益效果是：三维卷积神经网络能够有效地提取高光谱图像的空谱特征，解决了传统网络对于难以提取隐含在高光谱数据中的深层特征问题；在一个感受野中，因为其值为随机生成，故同一张图像同一个感受野在不同层卷积中得到的特征信息也不相同，通过复制相同的训练样本输入不同的卷积层中可以获得包含不同层次特征信息的样本，解决样本不足的问题；由于不同层次的特征信息各有侧重，通过对不同层特征信息对分类结果的影响分析，中高层的特征信息对于高光谱地物分类影响较大。结合以上方法，可以充分挖掘高光谱遥感地物图像中不同层次的特征并通过各层次特征融合实现在小样本情况下获得更好的分类结果。附图说明图1为本专利技术的框图；图2为本专利技术的流程图；图3为提取训练图像大小方法图；图4为各类的标签光谱曲线图，其中(a)河流/水域光谱曲线；(b)建筑光谱曲线；(c)植被光谱曲线；图5为3D-CNN模型结构图；图6为底中高层特征融合结构图；图7为中高层特征融合结构图；图8为多输入中高层特征融合结构图；图9为数据分类结果可视化图，其中(a)左：湖北仙桃原图像右：湖北仙桃分类图；(b)左：湖北荆州原图像右：湖北仙桃分类图；(c)左：安徽淮南原图像右：安徽淮南分类图。具体实施方式下面结合附图，详细描述本专利技术的具体实施方案。如图1-3所示，一种基于深度学习的多特征融合高光谱遥感地物分类方法，具体如下：通过高光谱图像获取原始数据，选取各类标签样本，所述标签样本制作具体包括有：在高光谱图像中选定若干作为中心像素的像素点，然后在每个像素点周围以其为中心共M×M个像素点构成一张正方形的图像，其中，M取奇数；得到大小为M×M×B的样本，其中B为输入图像的高光谱的波段数。样本按1:1比例随机分为训练样本和测试样本；每次迭代训练从训练样本中随机输入设定数量的训练样本到预先建立好的三维卷积神经网络中进行训练；且将训练样本复制为数量与三维卷积神经网络模型内卷积层数量一半的份数，得到的多份相同样本分别输入三维卷积神经网络模型的前一半的不同卷积层中进行训练；在训练过程中，利用三维卷积神经网络不同卷积层产生多层次的地物空谱特征信息，获取不同层次的特征，选取其中的中层和高层特征信息并一维化后传输到全连接层中，以softmax交叉熵损失函数计算损失率后通过优化函数Adam算法更新网络的参数；经过E次迭代训练直至三维卷积神经网络模型收敛，得到训练完的三维卷积神经网络模型；将测试样本输入已训练完的网络模型，将测试样本输入模型中，利用混淆矩阵计算总体分类精度，完成测试；通过训练完的三维卷积神经网络模型对需分类高光谱图像进行分类。为对本专利技术做进一步说明，现举三个本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多特征融合高光谱遥感地物分类方法，其特征是，具体如下：/n通过高光谱图像获取原始数据，选取各类标签样本，样本按设定比例随机分为训练样本和测试样本；/n每次迭代训练从训练样本中随机输入设定数量的训练样本到预先建立好的三维卷积神经网络中进行训练；且将训练样本复制为数量与三维卷积神经网络模型内卷积层数量一半的份数，得到的多份相同样本分别输入三维卷积神经网络模型的前一半的不同卷积层中进行训练；在训练过程中，利用三维卷积神经网络不同卷积层产生多层次的地物空谱特征信息，获取不同层次的特征，选取其中的中层和高层特征信息并一维化后传输到全连接层中，以损失函数计算损失率后通过优化函数算法更新网络的参数；/n经过E次迭代训练直至三维卷积神经网络模型收敛，得到训练完的三维卷积神经网络模型；/n将测试样本输入已训练完的网络模型，将测试样本输入模型中，利用混淆矩阵计算总体分类精度，完成测试；/n通过训练完的三维卷积神经网络模型对需分类高光谱图像进行分类。/n

【技术特征摘要】
1.一种基于深度学习的多特征融合高光谱遥感地物分类方法，其特征是，具体如下：
通过高光谱图像获取原始数据，选取各类标签样本，样本按设定比例随机分为训练样本和测试样本；
每次迭代训练从训练样本中随机输入设定数量的训练样本到预先建立好的三维卷积神经网络中进行训练；且将训练样本复制为数量与三维卷积神经网络模型内卷积层数量一半的份数，得到的多份相同样本分别输入三维卷积神经网络模型的前一半的不同卷积层中进行训练；在训练过程中，利用三维卷积神经网络不同卷积层产生多层次的地物空谱特征信息，获取不同层次的特征，选取其中的中层和高层特征信息并一维化后传输到全连接层中，以损失函数计算损失率后通过优化函数算法更新网络的参数；
经过E次迭代训练直至三维卷积神经网络模型收敛，得到训练完的三维卷积神经网络模型；
将测试样本输入已训练完的网络模型，将测试样本输入模型中，利用混淆矩阵计算总体分类精度，完成测试；
通过训练完的三维卷积神经网络模型对需分类高光谱图像进行分类。


2.根据权利要求1...

【专利技术属性】
技术研发人员：韩彦岭，刘业琨，周汝雁，杨树瑚，王静，张云，洪中华，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：上海;31