【技术实现步骤摘要】
基于双支路卷积自编码器的高光谱图像分类方法
本专利技术属于图像处理
,涉及一种高光谱图像分类方法,具体涉及一种基于双支路卷积自编码器的高光谱图像分类方法,可用于对高光谱图像的地物进行分类。
技术介绍
光谱分辨率在101数量级范围内的光谱图像称为高光谱图像,其最显著的特点就是其丰富的光谱信息。相较于普通的二维图像,高光谱数据可表示为高光谱数据立方体,是三维数据结构。高光谱数据在保证空间分辨率的同时还包含着大量的光谱维度特征,因此可以提供空间域信息和光谱域信息,具有“图谱合一”的特点。基于这些特点,高光谱图像可以实现对地物精确的辨别与细节提取,对人类认识客观世界提供了有利条件。高光谱遥感在各方面都具有巨大应用潜力,如:环境变化监测、气象预测预报化、城市变迁分析化、林业生态监测化、精准农业、地质资源勘探以及现代化军事等。分类是高光谱遥感影像处理和应用的一项重要内容,利用影像信息对观测场景中的不同地物进行精准识别,从而将复杂现象简化为少量的一般类别,再进一步进行其它应用。高光谱图像的分类是多种遥感技术应用的重要一步,具有重要意义。衡量高光谱分类性能的指标主要有三个:整体正确率(OA)、平均正确率(AA)和卡方系数(KAPPA)。OA表示正确分类的本占所有样本的比例,值越大,说明分类效果越好。AA表示每一类分类精度的平均值,值越大,说明分类效果越好。Kappa表示混淆矩阵中不同的权值,值越大,说明分类效果越好。高光谱图像分类的关键在于对图像信息的挖掘,深度学习方法在提取数据特征和挖掘数据信息方面具有重要优势,因此 ...
【技术保护点】
1.一种基于双支路卷积自编码器的高光谱图像分类方法,其特征在于,包括如下步骤:/n(1)获取高光谱数据的有监督训练样本集S
【技术特征摘要】
1.一种基于双支路卷积自编码器的高光谱图像分类方法,其特征在于,包括如下步骤:
(1)获取高光谱数据的有监督训练样本集Sn、有监督训练样本标签向量集Yn*、无监督训练样本集Su和测试样本集St:
(1a)输入一幅大小为W×H×B高光谱图像和对应的大小为W×H标签图,W和H表示高光谱图像和标签图的行和列像素点的个数,B代表高光谱图像的波段个数;
(1b)以高光谱图像中与标签图每个值不为0的像素的位置相同的点为中心,分别划定大小为WS×WS×B的空间立方体,得到空间立方体集合S={S1,S2,…,Si,…,SN}和对应的整体样本标签集合Y={Y1,Y2,…,Yi,…,YN},其中WS>0且为整数,Si表示第i个样本,Yi表示第i个空间立方体标签值,N表示空间立方体的数目,N≥1000;
(1c)对每个空间立方体Si进行归一化,并随机选取半数以上的归一化空间立方体作为测试样本集St,再从其余的归一化空间立方体中随机挑选半数以上作为无监督训练样本集Su,剩余的归一化空间立方体作为有监督训练样本集Sn;
(1d)从Y中取出与Sn中所有样本对应的标签值组成集合并将第r个样本的标签值转化为C维的one-hot向量得到标签向量集合其中l表示Yn中标签的个数,l≥100,C表示样本的类别个数,C≥10;
(2)构建双支路卷积自编码器A:
构建包括并行排布的无监督卷积自编码器A1和有监督卷积网络A2的双支路卷积自编码器A,其中无监督卷积自编码器A1包括依次级联的编码器和解码器;有监督卷积网络支路A2包括依次级联的编码器、解码器、多个卷积-池化组合和分类器,编码器包括多个层叠的下采样卷积层,解码器包括多个层叠的逆卷积层,卷积-池化组合包括层叠的卷积层和池化层,分类器为全连接层,且A1中编码器的各下采样卷积层与A2中编码器对应位置的各下采样卷积层级联;
(3)对双支路卷积自编码器A进行迭代训练:
(3a)设迭代次数为t,最大迭代次数为T,T≥100,当前双支路卷积自编码网络、无监督卷积自编码器和有监督卷积网络分别为At、和并令t=0,At=A,
(3b)将从Su中随机选取的k个无监督样本作为的输入,并采用编码—解码的方式对输入的无监督样本进行重构,得到k个重构图,然后采用均方误差函数,通过k个无监督样本和k个重构图,计算对当前k个无监督样本的损失值k≥10;
(3c)将从Sn中随机选取的k个有监督样本分别作为和的输入,并采用编码—解码的方式对输入到中的有监督样本进行重构,得到k个重构图和k×m个中编码器卷积层产生的特征图;同时对输入的有监督样本进行逐层特征提取并将中编码器卷积层产生的k×m个特征图逐层级联到中编码器对应卷积层产生的特征图上,前m-1层中每层级联后的特征图作为当前卷积层的输出和中下一卷积层的输入,第m层产生的级联后的特征图作为第一个逆卷积层的输入,通过后续多个逆卷积层和多个卷积-池化组合继续进行逐层特征提取,得到k个特征向量,利用全连接层对k个特征向量进行分类,得到k个无监督样本的预测标签向量,m表示中编码器内卷积层的个数,m≥1;
(3d)采用均方误差函数,并通过输入的k个无监督样本和得到的k个重构图,计算对输入的有监督样本的重构误差损失同时采用交叉熵损失函数,并通过k个无监督样本的预测标签向量和标签向量集中与k个无监督样本对应的k个真实标签向量,计算的对输入的k个有监督样本的交叉熵分类损失采用公式对和进行合并,得到At对输入的k个无监督样本和k个有监督样本的整体损失值Lt,α和β为调整最终损失值的两个常数,0<α≤1,0<β≤1;
(3e)采用反向传播算法...
【专利技术属性】
技术研发人员:冯婕,叶湛伟,梁宇平,李杰,焦李成,张向荣,尚荣华,刘若辰,
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。