一种基于混合亚像素卷积的高光谱遥感图像分类方法技术

本发明专利技术公开了一种基于混合亚像素卷积的高光谱遥感图像分类方法，包括获取待分类的高光谱遥感图像；利用主成分分析法进行光谱降维；根据光谱信息量将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；对光谱带中每个像素点取一个固定空间大小的立方体数据，利用三维卷积根据立方体数据提取光谱‑空间特征，再利用二维卷积进行光谱信息的融合，得到最终的特征图；添加亚像素卷积层，使用像素重组方法，将不同特征图上的相同点位置的像素重置到一张图上，再转换为特征向量；将特征向量输入至三层全连接网络得到预测分类结果。本发明专利技术结合了三维、二维和亚像素卷积的优点，实现了在低训练样本下对高光谱遥感图像的准确分类。

【技术实现步骤摘要】
一种基于混合亚像素卷积的高光谱遥感图像分类方法
本申请属于图像处理
，具体涉及一种基于混合亚像素卷积的高光谱遥感图像分类方法。
技术介绍
高光谱遥感图像分类是地球观测的重要手段，被广泛应用于精细化农业、军事侦测、环境监测等方面。随着遥感技术不断深入，利用从数百个表面物体的连续光谱段中获取光谱信息，高光谱图像表达不同物体的能力不断增强。在高光谱遥感图像分类任务中主要存在两个难题：首先，几百个光谱频带带来充分光谱信息的同时，也产生了大量冗余的问题，同时高数据维度导致需要庞大的计算量；其次，高光谱遥感图像的人工标记需要昂贵的代价，导致现有的分类样本十分稀少；受视觉系统内在结构的启发，利用卷积神经网络从高光谱遥感图像中提取具有判别性的光谱-空间特征图。但是二维卷积仅能从高光谱遥感图像中提取空间信息，而丢失了光谱带间的信息，而三维卷积需要庞大计算量才能获取到高光谱遥感图像的光谱-空间特征。
技术实现思路
本专利技术要克服现有技术的上述确定啊，提供基于混合亚像素卷积的高光谱遥感图像分类方法。本专利技术结合了三维和二维卷积的优点，以及利用亚像素卷积层的特点，实现了在低训练样本下对高光谱遥感图像的准确分类。为实现上述目的，本专利技术所采取的技术方案为：一种基于混合亚像素卷积的高光谱遥感图像分类方法，包括以下步骤：步骤S1、获取待分类的高光谱遥感图像；步骤S2、利用主成分分析法对图像进行光谱降维预处理；步骤S3、执行通道移位操作，根据光谱信息量的多少将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；步骤S4、对光谱带中每个像素点取一个固定空间大小(例如25×25)的立方体数据，先利用三维卷积根据立方体数据提取光谱-空间特征，再利用二维卷积对提取的光谱-空间特征进行光谱信息的融合，得到最终的特征图；步骤S5、添加亚像素卷积层，使用像素重组方法，将不同特征图上的相同点位置的像素重置到一张图上，再转换为特征向量；步骤S6、将特征向量输入至三层全连接网络得到针对待分类的高光谱遥感图像的预测分类结果。作为优选，步骤S2所述利用主成分分析法对高光谱遥感图像进行光谱降维，具体包括：S21.令获取的高光谱遥感图像的大小为W×H×L；S22.重塑高光谱遥感图像至大小为L×N的输入数据X，并且N＝W×H；S23.计算输入数据X的协方差矩阵B；S24.获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；S25.建立主成分分析的优化目标函数如下：其中，I是具L×L大小的单位矩阵，tr和T分别表示矩阵的迹和转置操作；S26.计算优化目标函数，当计算得到L×k大小的P时，主成分分析输出大小为k×L的降维后的高光谱遥感图像Y，Y＝PT×X，则高光谱遥感图像的光谱带尺寸从原始的L减小为k。作为优选，步骤S4所述三维卷积设置为三层卷积结构，三层卷积结构的卷积核大小分别设置为7×7×7、5×5×5和3×3×3，并且卷积核个数分别设置为8、16和32；所述二维卷积设置为一层卷积结构，所述二维卷积包括64个大小为3×3的卷积核。作为优选，步骤S5所述添加亚像素卷积层，使用像素重组方法，获取到亚像素特征图，并输出特征向量，包括：S51.令特征图的大小为h×w×r2；S52.针对特征图上同一空间位置上大小为1×1×R2的像素块，获取h*w个像素块A1，A2,…Ah*w；S53.沿着通道方向将所有像素块A转为大小为R×R×1的块B，获取h*w个像素块B1，B2,…Bh*w；S54.并按照原像素点空间位置，将h*w个像素块重新拼接成大小为hr×wr×1的特征图，并将其转换为特征向量。作为优选，步骤S6所述三层全连接网络包括三个全连接层，三个全连接层中的前两个全连接层使用正规化形式的Dropout方法，最后一个全连接层使用Softmax输出预测分类结果。本申请提供的基于混合亚像素卷积的高光谱遥感图像分类方法，利用主成分分析对高光谱遥感图像进行光谱降维，再使用通道移位优化方法，以此来增强具有更高光谱信息量的光谱带的重要性，提高了在低训练样本情况下的分类准确性；并且混合使用三维、二维和亚像素卷积可充分利用光谱和空间特征信息来获得更多的判别特征，以此充分利用卷积的优点，显著提高了分类的准确性。附图说明图1是本专利技术方法的流程图；图2是本专利技术的主成分分析处理以及通道增强操作的示意图；图3是本专利技术对每个像素点取固定空间大小的立方体数据，再利用混合卷积进行特征提取的流程图；图4是本专利技术利用协方差池化方法将获取的特征图向量化的流程图；图5是本专利技术利用三层全连接网络对获取的特征向量进行分类的流程图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。其中一个实施例中，提供了一种基于混合亚像素卷积的高光谱遥感图像分类方法，该方法充分利用了三维卷积、二维卷积和亚像素卷积的优点，实现低训练样本下得到准确度高的分类结果。具体的，如图1所示，本实施例中的基于混合亚像素卷积的高光谱遥感图像分类方法，包括以下步骤：步骤S1、获取待分类的高光谱遥感图像。为了提高数据处理速度与准确性，首先需要对获取的高光谱遥感图像进行预处理，如图2所示，本实施例中提供的预处理包括主成分分析和通道移位，具体步骤参见步骤S2～步骤S3。步骤S2、利用主成分分析法对高光谱遥感图像进行光谱降维。高维数据包含了过多的冗余信息，使得计算量十分庞大，因此利用主成分分析对高光谱遥感图像进行光谱降维，实现减小光谱带的维度并保留完整的空间信息。在一实施例中，提供的光谱降维过程如下：S21.令获取的高光谱遥感图像的大小为W×H×L。S22.重塑高光谱遥感图像至大小为L×N的输入数据X，并且N＝W×H。S23.计算输入数据X的协方差矩阵B。S24.获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P。S25.建立主成分分析的优化目标函数如下：其中，I是具L×L大小的单位矩阵，tr和T分别表示矩阵的迹和转置操作。S26计算优化目标函数，当计算得到L×k大小的P时，主成分分析输出大小为k×L的降维后的高光谱遥感图像Y，Y＝PT×X，则高光谱遥感图像的光谱本文档来自技高网...

【技术保护点】
1.一种基于混合亚像素卷积的高光谱遥感图像分类方法，包括以下步骤：/n步骤S1、获取待分类的高光谱遥感图像；/n步骤S2、利用主成分分析法对图像进行光谱降维预处理；/n步骤S3、执行通道移位操作，根据光谱信息量的多少将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；/n步骤S4、对光谱带中每个像素点取一个固定空间大小的立方体数据，先利用3维卷积根据立方体数据提取光谱-空间特征，再利用2维卷积对提取的光谱-空间特征进行光谱信息的融合，得到最终的特征图；/n步骤S5、添加亚像素卷积层，使用像素重组方法，将不同特征图上的相同点位置的像素重置到一张图上，再转换为特征向量；/n步骤S6、将特征向量输入至三层全连接网络得到针对待分类的高光谱遥感图像的预测分类结果。/n

【技术特征摘要】
1.一种基于混合亚像素卷积的高光谱遥感图像分类方法，包括以下步骤：
步骤S1、获取待分类的高光谱遥感图像；
步骤S2、利用主成分分析法对图像进行光谱降维预处理；
步骤S3、执行通道移位操作，根据光谱信息量的多少将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；
步骤S4、对光谱带中每个像素点取一个固定空间大小的立方体数据，先利用3维卷积根据立方体数据提取光谱-空间特征，再利用2维卷积对提取的光谱-空间特征进行光谱信息的融合，得到最终的特征图；
步骤S5、添加亚像素卷积层，使用像素重组方法，将不同特征图上的相同点位置的像素重置到一张图上，再转换为特征向量；
步骤S6、将特征向量输入至三层全连接网络得到针对待分类的高光谱遥感图像的预测分类结果。


2.如权利要求1所述的基于混合亚像素卷积的高光谱遥感图像分类方法，其特征在于：步骤S2所述利用主成分分析法对高光谱遥感图像进行光谱降维，具体包括：
S21.令获取的高光谱遥感图像的大小为W×H×L；
S22.重塑高光谱遥感图像至大小为L×N的输入数据X，并且N＝W×H；
S23.计算输入数据X的协方差矩阵B；
S24.获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；
S25.建立主成分分析的优化目标函数如下：
minPtr(PTBP),s.t.PTP＝I,
其中，I是具L×L大小的单位矩阵，tr和T分别表示矩阵的迹和转置操作；

【专利技术属性】
技术研发人员：郑建炜，冯宇超，蒋嘉伟，周鑫杰，秦梦洁，陈婉君，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33