一种基于三维卷积神经网络与超像素分割的高光谱分类方法技术

本发明专利技术公开一种基于三维卷积神经网络与超像素分割的高光谱分类方法，包括如下步骤：输入高光谱遥感图像数据集；对高光谱遥感图像数据集中的图像进行降维处理；基于超像素分割方法，对降维后的高光谱遥感图像进行空间特征提取，得到含有空间特征的空间区域划分结果图；利用所述空间区域划分结果图与所述高光谱遥感图像数据集中的图像，构建空

【技术实现步骤摘要】
一种基于三维卷积神经网络与超像素分割的高光谱分类方法


[0001]本专利技术属于图像处理
，具体涉及一种基于三维卷积神经网络与超像素分割的高光谱分类方法。

技术介绍

[0002]目前，遥感技术的高速发展正在将遥感技术向一个新的方向迈进，作为遥感技术重要分支的多光谱与高光谱遥感技术也正在飞速发展，其中高光谱遥感图像技术可以采集不同地物光谱的超过100波段数量的多波段光谱数据，可以对其进行后续分析以完成遥感技术所需的目标识别、目标探测、矿物资源勘探和森林资源检测等后续应用。高光谱的成像质量与所包含的内部细节也同时将遥感技术推向了一个新的发展方向，对高光谱进行数据降维以降低处理难度、对高光谱进行光谱识别以确定地物种类和对混合像元光谱解混是高光谱处理技术的几个重要方向。通过对其进行研究与利用，能够发挥遥感技术互补，对目标分类与识别精度提高的目的。
[0003]目前现有的高光谱分类方法大多基于高光谱的光谱信息进行分类，并没有利用高光谱图像所包含的地物空间分布信息，在复杂场景与同物异谱和同谱异物现象的情况下，在上述情况下，高光谱的分类精度较易分类精度不高的情况。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了一种基于三维卷积神经网络与超像素分割的高光谱分类方法。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]一种基于三维卷积神经网络与超像素分割的高光谱分类方法，其特征在于，包括如下步骤：
[0007]步骤S1.输入高光谱遥感图像数据集；<br/>[0008]步骤S2.对所述高光谱遥感图像数据集中的图像进行降维处理，得到降维后的高光谱遥感图像；
[0009]步骤S3.基于超像素分割方法，对所述降维后的高光谱遥感图像进行空间特征提取，得到含有空间特征的空间区域划分结果图；
[0010]步骤S4.利用所述空间区域划分结果图与对应的所述高光谱遥感图像数据集中的图像，构建空
‑
谱特征联合数据集；
[0011]步骤S5.利用所述空
‑
谱特征联合数据集，构建测试集与训练集；
[0012]步骤S6.搭建三维卷积神经网络架构，训练得到高光谱分类器；
[0013]步骤S7.利用训练后的高光谱分类器，对高光谱遥感图像分类。
[0014]进一步地，所述步骤S2包括如下步骤：
[0015]采用主成分分析法，对所述高光谱遥感影像数据集中的图像在光谱维度上分析处理，提取前三个主成分分量，组成降维后的图像。
[0016]进一步地，所述步骤S3包括如下步骤：
[0017]步骤S31.对所述降维后的高光谱遥感图像进行简单的线性迭代聚类超像素分割，得到若干个超像素分割区域；
[0018]步骤S32.根据下式，对得到的若干个超像素分割区域采用模糊C均值聚类进行区域合并：
[0019][0020]其中，l代表超像素分割区域，S
l
代表第l个超像素区域R
l
的所含像元数目，N代表输入图像经过简单的线性迭代聚类后的超像素区域数目，C为聚类初始数目，m为设定的加权系数，其设定了聚类隶属度矩阵u
kl
的重要程度，h
e
为图像的像元；隶属度矩阵u
kl
与聚类中心c
k
的式(2)和公式(3):
[0021][0022][0023]步骤S33.得到含有空间特征的空间区域划分结果图。
[0024]进一步地，所述步骤S4包括如下步骤：
[0025]将所述的空间区域划分结果图与对应的所述高光谱遥感影像数据集中的图像进行矢量线性叠加，以得到特征联合的样本数据，形成空
‑
谱特征联合数据集。
[0026]进一步地，所述步骤S5包括如下步骤：
[0027]在空
‑
谱特征联合数据中，随机选取20％，组成高光谱的训练集；将剩余数据组成高光谱的测试集。
[0028]进一步地，所述S6包括如下步骤：
[0029]S61.搭建三维卷积神经网络；
[0030]S62.将训练集输入三维卷积神经网络进行训练，直至三维卷积神经网络收敛，得到初始三维卷积神经网络模型；
[0031]S63.输入测试集数据，利用测试集数据对初始三维卷积神经网络模型中的参数校准，得到高光谱分类器。
[0032]与现有技术相比，本专利技术的有益效果是：
[0033](1)本专利技术通过模糊C均值聚类，对超像素分割结果进行进一步区域的划分与相关超像素的合并融合，增强了后续融合结果代表的空间特征的空间代表性，克服了现有超像素分割对高光谱空间分割不够充分的问题，同时将超像素结果进行进一步融合，加快了神经网络的训练速度，使其能够更快收敛；
[0034](2)本专利技术通过搭建三维卷积神经网络，利用三维卷积神经网络的空间特征与光
谱特征提取能力，对高光谱的光谱维特征与空间特征进行充分利用，同时采用切片的形式，能够对邻域空间的光谱特征与空间特征信息进行更好的运用，克服了现有技术中空谱特征未联合运用导致的分类精度有限的问题，本方法能够增强网络的空间特征提取能力，提升分类准确性。
附图说明
[0035]图1为本专利技术的方法流程图。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]下面对本公开实施例中所涉概念进行介绍，主成分分析(PCA，Principal Components Analysis)，是一种无监督的线性降维算法，用于对数据主成分的分析，主成份分析通过将高维特征向量的多维变量进行线性变换，从中选出少数几个或几十个方差最大的特征向量用于识别分类。
[0038]简单的线性迭代聚类(SLIC，simple linear iterativeclustering)，通过将具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块，从而用少量的超像素代替大量的像素来表达图片特征，很大程度上降低了图像后处理的复杂度。
[0039]模糊C均值聚类算法(FCMA或FCM，fuzzy c
‑
means algorithm)，通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。
[0040]本专利技术的目的是提供一种基于三维卷积神经网络与超像素分割的高光谱分类方法，解决现有高光谱分类对空间特征利用不充分导致的分类精度较低的问题，同时对超像素分割算法进行改进以对解决高光谱区域划分不充分的问题。
[0041]图1是本公开实施例中的一种基于三维卷积神经网络与超像素分割的高光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三维卷积神经网络与超像素分割的高光谱分类方法，其特征在于，包括如下步骤：步骤S1.输入高光谱遥感图像数据集；步骤S2.对所述高光谱遥感图像数据集中的图像进行降维处理，得到降维后的高光谱遥感图像；步骤S3.基于超像素分割方法，对所述降维后的高光谱遥感图像进行空间特征提取，得到含有空间特征的空间区域划分结果图；步骤S4.利用所述空间区域划分结果图与对应的所述高光谱遥感图像数据集中的图像，构建空
‑
谱特征联合数据集；步骤S5.利用所述空
‑
谱特征联合数据集，构建测试集与训练集；步骤S6.搭建三维卷积神经网络架构，训练得到高光谱分类器；步骤S7.利用训练后的高光谱分类器，对高光谱遥感图像分类。2.根据权利要求1所述的一种基于三维卷积神经网络与超像素分割的高光谱分类方法，其特征在于，所述步骤S2包括如下步骤：采用主成分分析法，对所述高光谱遥感影像数据集中的图像在光谱维度上分析处理，提取前三个主成分分量，组成降维后的图像。3.根据权利要求1所述的一种基于三维卷积神经网络与超像素分割的高光谱分类方法，其特征在于，所述步骤S3包括如下步骤：步骤S31.对所述降维后的高光谱遥感图像进行简单的线性迭代聚类超像素分割，得到若干个超像素分割区域；步骤S32.根据下式，对得到的若干个超像素分割区域采用模糊C均值聚类进行区域合并：其中，l代表超像素分割区域，S
l
代表第l个超像素区域R
l
的所含...

【专利技术属性】
技术研发人员：国强，王亚妮，彭龙，戚连刚，
申请(专利权)人：黑龙江雨谷科技有限公司，
类型：发明
国别省市：