基于三元组损失和卷积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三元组损失和卷积神经网络的高光谱图像分类方法，涉及高光谱技术。针对现有技术中分类成功率低的问题提出本方案，主要通过由前若干个最困难分类的同类样本和不同类样本构造改进三元组损失而实现。优点在于充分利用了有限的训练样本的全部信息，还过滤掉一些微不足道的类内或类间信息，特别关注比较困难分类的样本，并压制了异常样本的影响。还设计了一个适合于高光谱分类的卷积神经网络结构，使得既能够提取足够深度的特征，又能够用有限的训练样本学习到网络参数，同时联合提取空间和频谱特征。本发明专利技术所述的方法仅使用数百个训练样本就获得了很好的结果，分类精度明显优于其他最新方法，并且训练速度快。

【技术实现步骤摘要】
基于三元组损失和卷积神经网络的高光谱图像分类方法
本专利技术涉及一种专用于高光谱图像像素分类的方法，尤其涉及基于三元组损失和卷积神经网络的高光谱图像分类方法。
技术介绍
高光谱图像分类是指对高光谱图像中的每一个像素进行分类。与普通的遥感图像相比，高光谱图像的波段多，覆盖范围广，有效地结合了空间信息和光谱信息，能够有效提升分类精度以及改善分类效果。利用高光谱图像对空间地物进行分类有广泛的应用，例如矿产勘查、水污染检测、自然灾害和生物威胁等。近年来，基于深度学习的图像分类方法取得了很大的进展。然而，因为对高光谱图像的某个像素的样本标记类别要进行实地勘测，需要大量的人力物力，所以高光谱图像的训练样本非常有限。另外，在高光谱图像中，不同类的样本会有很相似的谱特征，而同类的样本会有不同的谱特征，这些样本的存在导致数据呈高度非线性,大大降低了分类成功率。这道导致了基于深度学习的高光谱图像分类仍面临极大挑战。
技术实现思路
本专利技术目的在于提供基于三元组损失和卷积神经网络的高光谱图像分类方法，以解决上述现有技术存在的问题。本专利技术所述基于三元组损失和卷积神经网络的高光谱图像分类方法，包括以下步骤：获取高光谱图像数据；对高光谱图像进行预处理；训练样本提取；利用卷积神经网络提取高光谱图像特征；构造改进三元组损失；对所述卷积神经网络进行训练；利用训练得到的神经网络对未知样本进行分类；所述改进三元组损失由前若干个最困难分类的同类样本和不同类样本构造而成，且其中，LIT为所述改进三元组损失，D(f(xi),f(xj))＝‖f(xi)-f(xj)‖2，f(xi)是样本xi经过卷积神经网络输出的特征；是同类样本的阈值；是不同类样本的阈值；是求和号里面的项数；H(x)＝max(0,x)是铰链函数。优选地，使用扩展多属性剖面对高光谱图像进行预处理。优选地，使用扩展多属性剖面对高光谱图像进行预处理具体包括：用主成分分析对原始高光谱数据进行降维，保留三个主成分；在每个主成分上分别提取面积和标准差两种属性下的特征；属性滤波在给定参考阈值的前提下，评估相连像素的属性值；如果相连像素的属性值大于阈值，则这一区域将被保留，反之，这块区域将被赋为与邻域相近的像素值，即合并到周边子块；把每个主成分上的每个属性下的不同阈值下提取的特征串联起来，得到扩展多属性剖面后，对高光谱图像进行预处理。优选地，所述训练样本提取具体包括：在进行扩展多属性剖面预处理之后，以每个像素点为中心取一个预设窗口大小的空间区域，包括所有的通道，创建一个长方体数据，作为网络的输入样本。优选地，利用卷积神经网络提取高光谱图像特征具体包括：对卷积神经网络的输入，用128个空间大小为3×3的卷积核进行卷积，然后再经过一个批次归一化层和ReLU传递函数，得到一个9×9×128的数据；对得到的9×9×128的数据，再用128个空间大小为3×3的卷积核进行卷积，然后再经过一个ReLU传递函数，得到一个7×7×128的数据；对得到的7×7×128的数据，再用64个空间大小为1×1的卷积核进行卷积，然后再经过一个批次归一化层，得到一个7×7×64的数据；对得到的7×7×64的数据，重新调整大小为3136×1，然后再经过一个具有256个神经元的全连接层，得到一个256×1的特征。优选地，加权结合交叉熵损失和所述改进三元组损失得到最终三元组损失对所述卷积神经网络进行训练。优选地，对一个批次的每个训练样本xi，经过卷积神经网络得到的特征，再经过一个全连接层和softmax传递函数，得到属于每个类别的概率然后和样本xi的类别的独热编码yi进行相似度计算，构造交叉熵损失LCE：将改进三元组损失LIT和交叉熵损失LCE以权重值λ进行加权合并得到最终三元组损失Lproposed，以所述最终三元组损失Lproposed对卷积神经网络进行训练；其中，Lproposed＝λLIT+LCE。优选地，所述利用训练得到的神经网络对未知样本进行分类是把待分类像素点的类别识别为具有最大概率的类别。本专利技术所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其优点在于，提出了一种改进的三元组损失，充分利用了有限的训练样本的全部信息，还过滤掉一些微不足道的类内或类间信息，特别关注比较困难分类的样本，并压制了异常样本的影响。还设计了一个适合于高光谱分类的卷积神经网络结构，使得既能够提取足够深度的特征，又能够用有限的训练样本学习到网络参数，同时联合提取空间和频谱特征。本专利技术所述的方法仅使用数百个训练样本就获得了很好的结果，分类精度明显优于其他最新方法，并且训练速度快。附图说明图1是本专利技术所述高光谱图像分类方法的流程示意图。图2是原始三元组损失的表达示意图；图3是提升三元组损失的表达示意图；图4是困难三元组损失的表达示意图；图5是本专利技术所述改进三元组损失的表达示意图。图6是IndianPines数据的表达示意图；图7是IndianPines数据中像素标签的表达示意图。图8是利用CNN-DR对图7所示标签进行分类的结果图；图9是利用CNN-Hybrid对图7所示标签进行分类的结果图；图10是利用CNN-Capsule对图7所示标签进行分类的结果图；图11是利用CNN-IT对图7所示标签进行分类的结果图。图12是本专利技术训练过程中的损失值、训练精度、验证精度和测试精度跟随迭代次数的变化图。具体实施方式如图1所示，本专利技术所述基于三元组损失和卷积神经网络的高光谱图像分类方法包括如下具体步骤：S1、获取高光谱图像数据：利用机载光谱仪传感器获取某一区域的高光谱图像，并实地考察得到一些像素点的类别标签，其余像素点预设为未知类别。S2、使用扩展多属性剖面EMAP对高光谱图像进行预处理：用主成分分析PCA对原始高光谱数据进行降维，保留三个主成分；在每个主成分上分别提取面积和标准差两种属性下的特征。属性滤波操作是在给定参考阈值的前提下，评估灰度图像相连像素的属性值。面积属性下的阈值分别选取四个：λa＝[100,500,1000,5000]，标准差属性下的阈值也分别选取四个：λs＝[20,30,40,50]。如果图像的相连像素的属性值大于阈值，则这一区域将被保留，反之，这块区域将被赋为与邻域相近的像素值，即合并到周边子块。把每个主成分上的每个属性下的不同阈值下提取的特征串联起来，得到扩展多属性剖面EMAP对高光谱图像进行预处理后的立方体数据，该立方体数据的大小和原始高光谱图像的大小相同，通道数则和主成分、属性和阈值的数量有关。S3、根据预设窗口大小以每个像素点为中心提取一个长方体数据作为训练样本：在进行EMAP预处理之后，以每个像素点为中心取一个大小为11×11的空间区域，包括所有的通道，创建一个长方本文档来自技高网...

【技术保护点】
1.基于三元组损失和卷积神经网络的高光谱图像分类方法，包括以下步骤：/n获取高光谱图像数据；/n对高光谱图像进行预处理；/n训练样本提取；/n利用卷积神经网络提取高光谱图像特征；/n构造改进三元组损失；/n对所述卷积神经网络进行训练；/n利用训练得到的神经网络对未知样本进行分类；/n其特征在于，/n所述改进三元组损失由前若干个最困难分类的同类样本和不同类样本构造而成，且/n

【技术特征摘要】
1.基于三元组损失和卷积神经网络的高光谱图像分类方法，包括以下步骤：
获取高光谱图像数据；
对高光谱图像进行预处理；
训练样本提取；
利用卷积神经网络提取高光谱图像特征；
构造改进三元组损失；
对所述卷积神经网络进行训练；
利用训练得到的神经网络对未知样本进行分类；
其特征在于，
所述改进三元组损失由前若干个最困难分类的同类样本和不同类样本构造而成，且



其中，LIT为所述改进三元组损失，D(f(xi)，f(xj))＝||f(xi)-f(xj)||2，f(xi)是样本xi经过卷积神经网络输出的特征；是同类样本的阈值；是不同类样本的阈值；是求和号里面的项数；H(x)＝max(0，x)是铰链函数。


2.根据权利要求1所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，使用扩展多属性剖面对高光谱图像进行预处理。


3.根据权利要求2所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，使用扩展多属性剖面对高光谱图像进行预处理具体包括：用主成分分析对原始高光谱数据进行降维，保留三个主成分；
在每个主成分上分别提取面积和标准差两种属性下的特征；属性滤波在给定参考阈值的前提下，评估相连像素的属性值；如果相连像素的属性值大于阈值，则这一区域将被保留，反之，这块区域将被赋为与邻域相近的像素值，即合并到周边子块；
把每个主成分上的每个属性下的不同阈值下提取的特征串联起来，得到扩展多属性剖面后，对高光谱图像进行预处理。


4.根据权利要求3所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，所述训练样本提取具体包括：在进行扩展多属性剖面预处理之后，以每个像素点为中心取一个预设窗口大小的空间区域，包括所有的通道，创建一个长方体数据，作为网络的输入样本。<...

【专利技术属性】
技术研发人员：黄可坤，
申请(专利权)人：嘉应学院，
类型：发明
国别省市：广东;44