基于双层空间流形表示的高光谱图像分类方法技术

本发明专利技术涉及一种基于双层空间流形表示的高光谱图像分类方法，属于高光谱图像处理技术领域。首先，对高光谱图像数据进行预处理，并随机选择得到初始训练样本；然后，建立空间流形表示特征提取器，获得有效高光谱图像的特征；接着，将提取的特征送入分类器模块得到预分类概率；随后，将预分类概率送入空间流形表示分类器得到修正的分类概率；最后，分别根据预分类概率和修正的分类概率设计不同的损失函数，通过反向传播的方法对上述模型进行优化。训练完成后利用网络进行测试并获得最终得分类结果。本发明专利技术方法在有限的有标签的训练样本的情况下，大大提高了分类率。大大提高了分类率。

【技术实现步骤摘要】
基于双层空间流形表示的高光谱图像分类方法


[0001]本专利技术属于高光谱图像处理
，具体涉及一种基于双层空间流形表示的高 光谱图像分类方法。

技术介绍

[0002]高光谱图像中包含丰富的空间信息和光谱信息，丰富的空谱信息使得高光谱图像 被广泛地应用于地质、农业和环境监测等领域，高光谱图像分类是其中的一项重要应 用。如何挖掘高光谱图像中的空间结构信息，有效提升高光谱图像分类的效果受到国 内外学者的广泛关注。
[0003]文献“Wei W,Jinyang Z,Lei Z,et al.Deep Cube
‑
Pair Network for Hyperspectral ImageryClassification[J].Remote Sensing,2018,10(5):783”，提出一种基于像素对的高光谱图像分类 方法，在特征提取阶段引入空间结构信息。文献“Yang L X,Yang S Y,Jin P,et al. Semi
‑
Supervised Hyperspectral Image Classification Using Spatio
‑
Spectral Laplacian SupportVector Machine[J].IEEE Geoence&Remote Sensing Letters,2013,11(3):651
‑
655”，设计了一种 基于空谱的拉普拉斯支持向量机，在分类器层挖掘高光谱图像的空间结构信息。以上 两类方法仅从单一角度探索高光谱图像中简单的空间结构，并没有更深入地挖掘高光 谱图像中的潜在的、丰富的空间特征信息，从而限制了高光谱图像的分类准确率。

技术实现思路

[0004]要解决的技术问题
[0005]为了提高现有高光谱图像的分类准确率，本专利技术提出一种基于双层空间流形表示 的高光谱图像分类方法。
[0006]技术方案
[0007]一种基于双层空间流形表示的高光谱图像分类方法，其特征在于步骤如下：
[0008]步骤1：数据预处理
[0009]三维高光谱图像数据表示为n
r
、n
c
、n
b
分别为行、列及光谱维 度；将高光谱图像数据中的每个样本归一化至0～1范围内，对图像中每个样本的 r1×
c1邻域进行采样，得到采样的数据为进而将高光谱数据重新表示 为其中n＝n
r
×
n
c
表示样本个数，i＝1，2，...，n，r1＝c1＝7；＝7；表示对应的类别标签，为第i个样本的类别标签，L为 类别数；然后每类随机选择n
train
个样本作为训练集其对 应的标签集为剩余的样本构成测试集
及其对应的标签集
[0010]对训练集中每个有标记样本周围r2×
c2邻域进行采样，选择在r2×
c2邻域内且不 在训练集中的样本，构成扩充的训练数据集其中 i＝1，2，...，m1，r2＝c2＝3；对于测试集如上获得同样的扩充训 练集j＝1，2，...，m2，m1、m2的 具体数值根据实验而定；
[0011]步骤2：空间流形表示特征提取器
[0012]将训练集和其对应扩充数据集输入特征提取器中进行特征提取； 该特征提取器共包含3个基于空间流形表示的特征提取块，每个特征提取块由卷积模块 和图卷积模块2部分组成；其中每个卷积模块由含卷积层Conv、批归一化层BN、非线 性激活函数层ReLU和最大池化层MP4个子模块级联组成；图卷积模块由θ、φ、g、ρ操 作组成，其中θ、φ、g为卷积子模块，ρ由卷积子模块和批归一化子模块级联得到；
[0013]特征提取器的结构为：第一个卷积模块的卷积层输入及输出通道数分别为1、32， 卷积核大小为(8，1，1)，步长设置为(3，1，1)，padding设置为1；本层及以下2 层卷积模块中的最大池化层的窗口大小均为2；第一个图卷积模块，θ，φ和g的输入及 输出通道数分别为32、16，ρ的输入及输出通道数分别为16、32，本层及以下两层图 卷积模块的θ，φ，g及ρ4个卷积操作的卷积核大小均设置为(1，1，1)，步长均设置 为(1，1，1)，padding均设置为0；第二个卷积模块的卷积层输入及输出通道数分别 为32、128，卷积核大小为(3，1，1)，步长设置为(2，1，1)，padding设置为1； 第二个图卷积模块，θ，φ和g的输入及输出通道数分别为128、64，ρ的输入及输出通 道数分别为64、128；第三个卷积模块的卷积层输入及输出通道数分别为128、256，卷 积核大小为(3，1，1)，步长设置为(2，1，1)，padding设置为1；第三个图卷积模 块，θ，φ和g的输入及输出通道数分别为256、128，ρ的输入及输出通道数分别为128、 256；
[0014]对于输入的数据，经过卷积模块得到的特征表示为：
[0015][0016]其中H
l
‑1是第l个卷积模块的输入，l∈{1，2，3}，对于第1个卷积模块，H0即输入的 训练样本其对应的扩充数据集，是卷积神经网络的权值矩阵；所得特征Hl的维度为 T
×
H
×
W
×
C，T表示光谱维度，H、W表示空间维度，C为通道数；
[0017]卷积模块输出的特征H
l
作为图卷积模块的输入；首先，将H
l
分别输入θ、φ、g得 到嵌入特征θ(H
l
)、φ(H
l
)和g(H
l
)，对于h
j
∈H
l
，，分别是第l层θ、φ、g中的权值系数；3个嵌入特征的维度表示为 T
×
H
×
W
×
C/2；然后将θ(H
l
)、φ(H
l
)、g(H
l
)的维度分别转变为HW
×
TC/2，并对 后转变后的特征θ(H
l
)和φ(H
l
)做嵌入式高斯(Embedded Gaussian)操作得到局部关系 矩阵f(H
l
，H
l
)，其中：
[0018][0019]局部关系矩阵f(H
l
，H
l
)维度为HW
×
HW；将局部关系矩阵与变化维度后的g(H
l
) 做矩阵乘进一步得到中间特征Z
F
：
[0020][0021][0022]其中为归一化因子，其中batch为一个批次输入数据的数量， 在本实验中batch设置为50；因此公式3可以表示为softmax形式：
[0023][0024]其中Z
F
的维度为HW
×
TC/2，将其维度转化为T本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双层空间流形表示的高光谱图像分类方法，其特征在于步骤如下：步骤1：数据预处理三维高光谱图像数据表示为n
r
、n
c
、n
b
分别为行、列及光谱维度；将高光谱图像数据中的每个样本归一化至0～1范围内，对图像中每个样本的r1×
c1邻域进行采样，得到采样的数据为进而将高光谱数据重新表示为其中n＝n
r
×
n
c
表示样本个数，i＝1，2，...，n，r1＝c1＝7；＝7；表示对应的类别标签，为第i个样本的类别标签，L为类别数；然后每类随机选择n
train
个样本作为训练集其对应的标签集为剩余的样本构成测试集剩余的样本构成测试集及其对应的标签集对训练集中每个有标记样本周围r2×
c2邻域进行采样，选择在r2×
c2邻域内且不在训练集中的样本，构成扩充的训练数据集其中r2＝c2＝3；对于测试集如上获得同样的扩充训练集m2，m1、m2的具体数值根据实验而定；步骤2：空间流形表示特征提取器将训练集和其对应扩充数据集输入特征提取器中进行特征提取；该特征提取器共包含3个基于空间流形表示的特征提取块，每个特征提取块由卷积模块和图卷积模块2部分组成；其中每个卷积模块由含卷积层Conv、批归一化层BN、非线性激活函数层ReLU和最大池化层MP4个子模块级联组成；图卷积模块由θ、φ、g、ρ操作组成，其中θ、φ、g为卷积子模块，ρ由卷积子模块和批归一化子模块级联得到；特征提取器的结构为：第一个卷积模块的卷积层输入及输出通道数分别为1、32，卷积核大小为(8，1，1)，步长设置为(3，1，1)，padding设置为1；本层及以下2层卷积模块中的最大池化层的窗口大小均为2；第一个图卷积模块，θ，φ和g的输入及输出通道数分别为32、16，ρ的输入及输出通道数分别为16、32，本层及以下两层图卷积模块的θ，φ，g及ρ4个卷积操作的卷积核大小均设置为(1，1，1)，步长均设置为(1，1，1)，padding均设置为0；第二个卷积模块的卷积层输入及输出通道数分别为32、128，卷积核大小为(3，1，1)，步长设置为(2，1，1)，padding设置为1；第二个图卷积模块，θ，φ和g的输入及输出通道数分别为128、64，ρ的输入及输出通道数分别为64、128；第三个卷积模块的卷积层输入及输出通道数分别为128、256，卷积核大小为(3，1，1)，步长设置为(2，1，1)，padding设置为1；第三个图卷积模块，θ，φ和g的输入及输出通道数分别为256、128，ρ的输入及输出通道数分别为128、256；对于输入的数据，经过卷积模块得到的特征表示为：其中H
l
‑1是第l个卷积模块的输入，l∈{1，2，3}，对于第1个卷积模块，H0即输入的训练样本其对应的扩充数据集，是卷积神经网络的权值矩阵；所得特征H
l
的维度为T
×
H
×
W
×
C，T表示光谱维度，H、W表示空间维度，C为通道数；卷积模块输出的特征H
l
作为图卷积模块的输入；首先，将H
l
分别输入θ、φ、g得到嵌入特征θ(H
l
)、φ(H
l
)和g(H
l
)，对于h
j
∈H
l
，，，分别是第l层θ、φ、g中的权值系数；3个嵌入特征的维度表示为T
×
H
×
W
×
C/2；然后将θ(H
l
)、φ(H
l
)、g(H
l
)的维度分别转变为HW
×
TC/2，并对后转变后的特征θ...

【专利技术属性】
技术研发人员：魏巍，王聪，张磊，温岳，张艳宁，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：