【技术实现步骤摘要】
一种基于卷积神经网络的高光谱图像分类方法
本专利技术涉及图像分类
，特别是涉及一种基于卷积神经网络的高光谱图像分类方法。
技术介绍
高光谱图像技术以数十至数百个连续且细分的光谱波段对目标区域同时成像，在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。高光谱遥感近年来在地球观测领域得到了大量应用，高效的高光谱分类技术将大幅度提升地物分类精度，从而提升对地观测效率。卷积神经网络(CNN)是高光谱图像分类领域的主流技术之一，人们希望有一种CNN模型能够同时满足分类速度和分类精度的要求，但这面临挑战。Lee等人提出一种ContextualCNN(LeeH,KwonH.GoingDeeperWithContextualCNNforHyperspectralImageClassification[J].IEEETransactionsonImageProcessing,2017,26(10):4843-4855.)用于对高光谱图像进行分类。Lee等人提出的深度学习模型较小，便于快速完成高光谱图像...
【技术保护点】
1.一种基于卷积神经网络的高光谱图像分类方法，其特征在于，包括：/nS1：获取待分类的高光谱图像；/nS2：基于卷积神经网络对所述高光谱图像所属类别进行预测分类；/n其中，所述卷积神经网络包括顺次相连的输入层、空间信息提取层、光谱信息提取层、全连接层模块以及分类器；/n所述输入层用于对所述高光谱图像进行图像预处理、边界镜像处理以及数据裁剪处理，得到预设大小的输入图像块；/n所述空间信息提取层用于将所述输入图像块转换为维度为1×1×3M的特征向量，并提取出转换过程中得到的空间信息，其中，M为预设值；/n所述光谱信息提取层用于将维度为1×1×3M的特征向量转换为维度为1×1×M...
【技术特征摘要】
1.一种基于卷积神经网络的高光谱图像分类方法，其特征在于，包括：
S1：获取待分类的高光谱图像；
S2：基于卷积神经网络对所述高光谱图像所属类别进行预测分类；
其中，所述卷积神经网络包括顺次相连的输入层、空间信息提取层、光谱信息提取层、全连接层模块以及分类器；
所述输入层用于对所述高光谱图像进行图像预处理、边界镜像处理以及数据裁剪处理，得到预设大小的输入图像块；
所述空间信息提取层用于将所述输入图像块转换为维度为1×1×3M的特征向量，并提取出转换过程中得到的空间信息，其中，M为预设值；
所述光谱信息提取层用于将维度为1×1×3M的特征向量转换为维度为1×1×M的特征向量，并提取出转换过程中得到的光谱信息；
所述全连接层模块用于将维度为1×1×M的特征向量映射为维度为1×C特征向量，其中，C为高光谱图像地物类别数；
所述分类器用于通过softmax函数对维度为1×C的特征向量进行归一化，进而对高光谱图像所属类别进行预测分类。
2.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述图像预处理包括平场校正处理、归一化处理和通道平均移除处理中的一种或者几种的组合；
所述平场校正处理：依据算式为Ir＝F(Is-Id)/(Iw-Id)将原始反射光谱图像转换为相对反射光谱图像，Is为原始反射光谱图像，Id为暗场光谱图像，Iw为漫反射标准白板的光谱图像，Ir为相对反射光谱图像，F为缩放系数；
所述归一化处理：将光谱图像的灰度值缩放到预设数值范围；
所述通道平均移除处理：将光谱图像每一个像素点灰度值减去该像素点对应所有通道像素点灰度值的均值。
3.根据权利要求2所述的高光谱图像分类方法，其特征在于，所述边界镜像处理包括：将维度为H×W×N的原高光谱图像中靠近图像边界Dr行和Dc列内的高光谱图像像素沿最近边界对称，得到维度为(H+2Dr)×(W+2Dc)×N的新高光谱图像，其中，H表示图像高度，W表示图像宽度，N表示通道数。
4.根据权利要求3所述的高...
【专利技术属性】
技术研发人员：王志勇，王正伟，刘志刚，付强，闫超，李胜军，白虎冰，张伊慧，胡友章，
申请(专利权)人：四川九洲电器集团有限责任公司，
类型：发明
国别省市：四川;51
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。