一种基于混合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一种基于混合卷积神经网络的高光谱图像分类方法，使用优化PCA对高光谱图像进行预处理；构建混合卷积神经网络模型，混合卷积神经网络模型包括输入层、隐含层和输出层三部分；隐含层由特征提取层、全连接层以及分类器组成，其中特征提取层由依次连接的3D卷积层、2D卷积层和1D卷积层构成，用于同时提取高光谱图像的光谱和空间维度特征，减少模型训练参数并减少计算量；训练混合卷积神经网络模型；将预处理后的高光谱图像输入训练后的混合卷积神经网络模型，输出高光谱图像分类结果。应用本发明专利技术能在提高高光谱图像分类精度的前提下，同时提取光谱和空间维度特征，减少模型训练参数且降低计算量，拥有很好的泛化能力。力。力。

【技术实现步骤摘要】
一种基于混合卷积神经网络的高光谱图像分类方法


[0001]本专利技术涉及高光谱图像处理
，具体涉及一种基于混合卷积神经网络的高光谱图像分类方法。

技术介绍

[0002]近年来，随着我国“高分五号”卫星的成功发射，研究者们对高光谱遥感技术的关注达到了新的高度。高光谱图像是通过高光谱成像仪获取的图像，光谱信息和空间维度信息十分丰富，因此被广泛应用于精准农业、海洋水文监测、大气环境监测等领域，但是，高光谱图像波段多、空间分辨率低及数据维数灾难等现实问题，使得高光谱图像分类仍面临着很大的挑战，所以，研究如何使分类算法更加高效，提高分类精度是十分有必要的。
[0003]目前，对于高光谱图像分类任务，一种是采用传统的方法，例如利用光谱特征和数据统计特征的K近邻算法和SVM等，但这些方法主要是提取分类器所需要的特征，且特征是面向领域知识的，会造成分类精度不佳；另一种是基于卷积神经网络的方法，如HU Wei等人提出的一维卷积神经网络(1D
‑
CNN)，第一次采用多层卷积神经网络，通过提取光谱特征进行高光谱图像分类，Liu等人使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合卷积神经网络的高光谱图像分类方法，其特征在于，包括：对高光谱图像进行预处理；构建混合卷积神经网络模型，所述混合卷积神经网络模型包括输入层、隐含层和输出层；所述隐含层包括特征提取层、全连接层和分类器，其中，所述特征提取层由依次连接的3D卷积层、2D卷积层和1D卷积层构成，所述特征提取层用于同时提取高光谱图像的光谱和空间维度特征；训练所述混合卷积神经网络分类模型；将预处理后的高光谱图像输入训练后的混合卷积神经网络模型，输出高光谱图像分类结果。2.根据权利要求1所述的一种基于混合卷积神经网络的高光谱图像分类方法，其特征在于，使用优化PCA对高光谱图像进行预处理，具体包括：由协方差矩阵的特征分解公式E＝ADA
T
和Y＝AX，将维度W
×
H
×
S的原高光谱图像X进行主成分转换成维度为W
×
H
×
B的新高光谱图像Y；其中，W为图像宽度，H为图像高度，S为原图像通道数，B为变换后的通道数，A为变换矩阵，D为协方差矩阵特征值的对角矩阵，T为变换矩阵的转置。3.根据权利要求2所述的一种基于混合卷积神经网络的高光谱图像分类方法，其特征在于，所述输入层用于将所述新高光谱图像Y裁剪为大小为w
×
w
×
B的三维图像块输入到混合卷积神经网络模型中，w为窗口大小。4.根据...

【专利技术属性】
技术研发人员：王海燕，王瑞婷，陈晓，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：