一种基于循环神经网络的高光谱图像分类方法技术

本发明专利技术公开了基于循环神经网络的高光谱图像分类方法，包括以下步骤：使用主成分分析方法将三维的高光谱图像数据作进行降维处理，获取二维主成分图像；获取二维主成分图像的纹理特征和形态特征，将两个特征叠加在一起得到融合特征图像和其特征矩阵，获取融合特征图像中每个像素的非邻域像素特征，作为训练样本；利用训练样本的非邻域像素特征对循环神经网络进行参数训练，得到训练好的高光谱图像分类模型，利用训练好的高光谱图像分类模型对高光谱图像进行分类。本发明专利技术整合了高光谱图像纹理特征和形态学特征，引入非邻域像素特征的思想并同时使用循环神经网络的记忆功能完成高光谱图像分类任务，提升分类结果的可靠性。

Hyperspectral image classification method based on recurrent neural network

【技术实现步骤摘要】
一种基于循环神经网络的高光谱图像分类方法
本专利技术涉及高光谱图像分类领域，具体涉及一种基于循环神经网络的高光谱图像分类方法。
技术介绍
随着高光谱遥感领域的快速发展以及成像设备的更新换代，高光谱遥感技术的应用场景变得越来越广阔，同时高光谱遥感图像的分辨率和成像波段也在不断增加。这些变化也使得在高光谱图像分类的整个过程中的困难和挑战与日俱增。高光谱图像分类实质上就是用一定算法对图像中的光谱和空间信息进行特征提取和学习，并使用合理的分类策略，赋予图像中的像素点一个确定的类别标签。随着深度学习框架的兴起和不断发展，研究者就把深度学习框架与传统的高光谱图像分类方法相结合并取得了令人满意的分类效果，比如在文献1(PALM,FOODYGM.FeatureSelectionforClassificationofHyperspectralDatabySVM[J].Geoscience&RemoteSensingIEEETransactionson,2010,48(5):2297-2307)提出将支持向量机模型(SupportVectorMac本文档来自技高网...

【技术保护点】
1.一种基于循环神经网络的高光谱图像分类方法，其中包括了如下步骤：/n步骤1，输入原始三维高光谱图像数据，使用主成分分析方法将三维的高光谱图像数据作进行降维处理，获取二维主成分图像；/n步骤2，采用Gabor滤波变换获取二维主成分图像的纹理特征X

【技术特征摘要】
1.一种基于循环神经网络的高光谱图像分类方法，其中包括了如下步骤：
步骤1，输入原始三维高光谱图像数据，使用主成分分析方法将三维的高光谱图像数据作进行降维处理，获取二维主成分图像；
步骤2，采用Gabor滤波变换获取二维主成分图像的纹理特征Xt，采用梯度直方图的方法获取二维主成分图像的形态特征Xs；纹理特征形态特征R为实数集，K1表示高光谱图像的长度，K2表示高光谱图像的宽度，lt是纹理特征向量的长度，lx是形态特征向量的长度；
步骤3，将步骤2中得到的形态特征Xs和纹理特征Xt使用多特征融合Stacking集成算法叠加在一起得到融合特征图像，并获取融合特征图像的特征矩阵X，它是将纹理特征和形态特征融合，其中l＝lt+ls表示特征矩阵的向量长度；
步骤4，获取融合特征图像中每个像素的非邻域像素特征，作为训练样本；对融合特征图像中的任一像素c，利用K最近邻算法在特征矩阵X中寻找最相近的N个非邻域像素，并提取每一个非邻域像素的邻域像素特征；获取像素c的领域像素特征；N个非邻域像素的邻域像素特征和像素c的领域像素特征共同组成像素c的非邻域像素特征；
步骤5，利用训练样本的非邻域像素特征对循环神经网络进行参数训练，得到训练好的高光谱图像分类模型；
步骤6，利用训练好的高光谱图像分类模型对高光谱图像进行分类。


2.根据权利要求1所述基于循环神经网络的高光谱图像分类方法，其特征在于：
所述的步骤2中，Gabor滤波变换的核函数如公式(1)所示，



其中，x”＝x'cosθ+y'sinθ，y”＝-x'sinθ+y'cosθ，x'代表像素在二维主成分图像中的横坐标，y'代表像素在二维主成分图像中的纵坐...

【专利技术属性】
技术研发人员：渠慎明，孟凡春，成荃，郭念，刘煊，李祥，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41