基于残差连接的深度可分离卷积高光谱图像分类方法技术

本发明专利技术属于高光谱图像分类技术领域，公开一种基于残差连接的深度可分离卷积高光谱图像分类方法，包括：构建分类模型；所述分类模型的首层采用1×1卷积后接ReLU激活函数用于提取光谱信息的非线性特征；采用三个金字塔结构的残差单元，并在每个残差单元中采用两个深度可分离的3×3卷积用于提取图像中光谱‑空间信息；分类模型末端，采用1×1卷积和全局平均池化层相结合用于融合空‑谱特征，完成分类；通过构建的分类模型完成高光谱图像分类。本发明专利技术充分提取了高光谱图像的光谱图像的空‑谱特征，通过堆叠残差单元从而构建了一个轻量级的分类模型，该模型在保证更高精度的同时拥有更快的分类速度。

【技术实现步骤摘要】
基于残差连接的深度可分离卷积高光谱图像分类方法
本专利技术属于高光谱图像分类
，尤其涉及一种基于残差连接的深度可分离卷积高光谱图像分类方法。
技术介绍
高光谱成像技术可同时探测到目标物体的二维几何空间信息和一维连续的光谱信息，使得高光谱图像具有“图谱合一”的特点。几何空间信息可以反映出目标物体的大小，形状等外部特征，而光谱信息能够反映目标物体内部的物理结构和化学成分。因此，高光谱遥感被广泛应用于岩矿物质检测、海洋植物检测、水资源应用与土地资源利用等领域。如何构建一种更准确有效的分类方法是高光谱遥感技术应用中的一个关键的问题。传统的分类算法，如支持向量机(SVM)、三维小波变换、高斯混合等通常采用波段选择和特征提取的方式来降低原始图像的维数，将图像投影到低层特征空间。这些方法往往改变了原始图像的波段相关性，丢失了部分光谱信息，无法充分提取到高光谱图像中抽象特征，从而影响了分类精度。近年来，随着深度学习技术应用与发展，基于卷积神经网络(CNN)构建的算法模型已经被广泛应用到图像分类(LecunY,BottouL.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):P.2278-2324.)，语音识别，目标检测，图像语义分割等多个领域，CNN表现出了强大特征提取能力。越来的越多的研究者使用CNN取代传统分类方法，应用于高光谱图像分类中。当前基于CNN的分类模型朝向了更深或更宽层的复杂结构演进。虽然在一定程度上取得不错效果，但是深层意味着网络模型具有更多的参数，这不仅增加了计算开销，同时对计算机硬件设备要求更高。
技术实现思路
本专利技术针对传统的分类算法往往改变了原始图像的波段相关性，丢失了部分光谱信息，无法充分提取到高光谱图像中抽象特征，从而影响了分类精度；且当前基于CNN的分类模型具有较大计算开销，同时对计算机硬件设备要求高的问题，提出一种基于残差连接的深度可分离卷积高光谱图像分类方法。为了实现上述目的，本专利技术采用以下技术方案：一种基于残差连接的深度可分离卷积高光谱图像分类方法，包括：步骤1：构建分类模型；所述分类模型的首层采用1×1卷积后接ReLU激活函数用于提取光谱信息的非线性特征；采用三个金字塔结构的残差单元，并在每个残差单元中采用两个深度可分离的3×3卷积用于提取图像中光谱-空间信息；分类模型末端，采用1×1卷积和全局平均池化层相结合用于融合空-谱特征，完成分类；步骤2：通过构建的分类模型完成高光谱图像分类。进一步地，每个所述残差单元的具体执行顺序为BN→Conv→BN→ReLU→Conv→BN，并采用Zero-padded跳跃连接方式。进一步地，所述残差单元采用小幅度线性增加特征图通道数的方式，每个残差单元的输入通道数计算方式如公式(1)：其中Di为第i个残差单元的输出通道数，C表示模型首层的1×1卷积核的数量，R表示所有残差单元的总数，α为大于0的整数。进一步地，在所述步骤1之前还包括：输入高光谱图像的标记样本进行零-均值标准化操作；逐次提取大小为S×S×N的邻域立方体作为分类模型的输入，其中S×S表示以某个像素为中心的空间大小，N表示高光谱图像的波段数量；将各邻域立方体划分为训练集、验证集和测试集。进一步地，所述步骤1之后还包括：基于训练集，采用随机梯度下降算法训练模型参数，保存在验证集上损失率最小的模型为最佳分类模型。进一步地，所述步骤2包括：将测试集输入分类模型，使用1×1卷积后接ReLU激活函数法的方式提取输入的邻域立方体的非线性光谱特征；在第1个残差单元的两层3×3卷积采用Srtide＝1，Padding＝1的SAME卷积操作，提取空间边缘信息，并采用Zero-padded跳跃连接方式；在第2，3个残差单元上的两层3×3卷积分别采用Stride＝2，Padding＝1的VAILD卷积操作和Stride＝1，Padding＝1的SAME卷积操作，提取空间特征，并在Zero-padded跳跃连接层上采用大小为2×2的平均池化，保证每个残差单元前后特征图大小一致；采用1×1卷积与全局平均池化层相结合的方式融合空-谱特征完成最终的分类。与现有技术相比，本专利技术具有的有益效果：本专利技术在金字塔残差单元基础上使用深度可分离卷积与残差连接相结合的方式，构建了一个更少参数的残差单元。随着网络的加深，每个残差单元的输出通道数小幅度线性增加，提高了低层特征信息的复用，充分提取了高光谱图像的光谱图像的空-谱特征，通过堆叠残差单元从而构建了一个轻量级的分类模型。该模型缓解小样本数据下深层网络梯度消失现象的发生，拥有更少的参数和计算开销，在保证更高精度的同时拥有更快的分类速度。附图说明图1为本专利技术实施例一种基于残差连接的深度可分离卷积高光谱图像分类方法的基本流程图；图2为本专利技术实施例一种基于残差连接的深度可分离卷积高光谱图像分类方法的分类模型结构图；图3为本专利技术实施例一种基于残差连接的深度可分离卷积高光谱图像分类方法的金字塔残差单元结构图；图4为IndianPines数据集上不同模型的分类结果图；图5为PaviaUniversity数据集上不同模型的分类结果图；图6为KennedySpaceCenter数据集上不同模型的分类结果图。具体实施方式下面结合附图和具体的实施例对本专利技术做进一步的解释说明：如图1所示，一种基于残差连接的深度可分离卷积高光谱图像分类方法，包括：步骤S101：构建分类模型；所述分类模型的首层采用1×1卷积后接ReLU激活函数用于提取光谱信息的非线性特征；采用三个金字塔结构的残差单元，并在每个残差单元中采用两个深度可分离的3×3卷积用于提取图像中光谱-空间信息；分类模型末端，采用1×1卷积和全局平均池化层相结合用于融合空-谱特征，完成分类；步骤S102：通过构建的分类模型完成高光谱图像分类。进一步地，每个所述残差单元的具体执行顺序为BN→Conv→BN→ReLU→Conv→BN，并采用Zero-padded跳跃连接方式。其中，BN(BatchNorm)的作用为在深度神经网络训练过程中使得每一层输入数据保持相同分布，用于加快网络的收敛速度；Conv表示卷积；ReLU(RectifiedLinearUnit)为非线性激活函数，用于克服训练过程中梯度消失问题。进一步地，所述残差单元采用小幅度线性增加特征图通道数的方式，每个残差单元的输入通道数计算方式如公式(1)：其中Di为第i个残差单元的输出通道数，C表示模型首层的1×1卷积核的数量，R表示所有残差单元的总数，α为大于0的整数。每个残差单元的输出通道数将以的数量小幅度增加，这种方式大大减少了训练参数和计算复杂度。具体地，步骤S1本文档来自技高网...

【技术保护点】
1.一种基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，包括：/n步骤1：构建分类模型；所述分类模型的首层采用1×1卷积后接ReLU激活函数用于提取光谱信息的非线性特征；采用三个金字塔结构的残差单元，并在每个残差单元中采用两个深度可分离的3×3卷积用于提取图像中光谱-空间信息；分类模型末端，采用1×1卷积和全局平均池化层相结合用于融合空-谱特征，完成分类；/n步骤2：通过构建的分类模型完成高光谱图像分类。/n

【技术特征摘要】
1.一种基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，包括：
步骤1：构建分类模型；所述分类模型的首层采用1×1卷积后接ReLU激活函数用于提取光谱信息的非线性特征；采用三个金字塔结构的残差单元，并在每个残差单元中采用两个深度可分离的3×3卷积用于提取图像中光谱-空间信息；分类模型末端，采用1×1卷积和全局平均池化层相结合用于融合空-谱特征，完成分类；
步骤2：通过构建的分类模型完成高光谱图像分类。


2.根据权利要求1所述的基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，每个所述残差单元的具体执行顺序为BN→Conv→BN→ReLU→Conv→BN，并采用Zero-padded跳跃连接方式。


3.根据权利要求1所述的基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，所述残差单元采用小幅度线性增加特征图通道数的方式，每个残差单元的输入通道数计算方式如公式(1)：



其中Di为第i个残差单元的输出通道数，C表示模型首层的1×1卷积核的数量，R表示所有残差单元的总数，α为大于0的整数。


4.根据权利要求1所述的基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，在所述步骤1之前还包括：
输入高光谱图像的标记样本进行零-均值...

【专利技术属性】
技术研发人员：党兰学，庞沛东，林英豪，刘扬，左宪禹，周黎鸣，贾培艳，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41