【技术实现步骤摘要】
基于深度光谱空间倒残差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分类方法。
技术介绍
[0002]高光谱图像(HSI)可以看作一个具有数百个光谱通道的三维立方体。HSI的每个像元均包含数百种不同波段的反射信息,这使得这类图像适用于许多实际应用,例如军事侦察
[1],环境监测
[2]以及地质勘探
[3],[4]等领域。近十年来,得益于成像技术的发展与成熟,高光谱图像处理技术变得越来越成熟。然而,在HSI分类领域,仍然面临着一些挑战:1)HSI数据中标记的可用样本较少,模型训练过程中存在过拟合现象;2)由于HSI蕴含丰富的光谱空间信息,因此光谱空间信息不充分提取的问题仍然存在。另外,还存在同一类别地物呈现不同光谱曲线,不同类别地物呈现相同光谱曲线的现象。
[0003]传统机器学习的HSI分类方法使用手工制作的特征来训练分类器。显然,特征提取与分类器的训练是分开的。手工制作特征的代表性方法如:局部二值模式(LBPs)
[5]、定向梯度直方图(HOG)
[6]、全局不变可伸缩变换(GIST)
[7]和随机森林
[8]等。代表性分类器有logistic回归
[9]、极限学习机
[10]和支持向量机(SVM)
[11]。手工制作特征的方法可以有效地表示图像的各种属性,然而不同数据之间的最佳特征集差异很大,再加上人工参与设计特征,对最终分类效果会有较大的影响。由于手工制作特征存在上述局限性,越来越多的研究者将深度学习模型应用 ...
【技术保护点】
【技术特征摘要】
1.基于深度光谱空间倒残差网络的高光谱图像分类方法,其特征在于:所述方法具体过程为:步骤一、获取高光谱图像其中为高为H,宽为W,光谱通道为B的三维高光谱图像立方体,Y是高光谱图像数据中的标签向量;具体过程为:步骤一一、将进行随机分块,分成若干3D立方体块,把3D立方体块作为新的样本集其中h,w,B分别代表3D立方体块的高度,宽度和光谱维度,h,w被设置为相同的值;步骤一二、按照一定的比例从新的样本集P中随机抽样得到训练集X
train
,再按照相同的比例从其余部分中随机抽样得到验证集X
valid
,剩余比例作为测试集X
test
;步骤二、建立DSSIR模型;步骤三、将训练集X
train
输入DSSIR模型对DSSIR模型进行训练,得到DSSIR模型的初始参数,经过验证集X
valid
验证不断更新参数,直到获得最优参数;步骤四、将测试集X
test
输入最优模型得到最终预测结果Y'。2.根据权利要求1所述基于深度光谱空间倒残差网络的高光谱图像分类方法,其特征在于:所述建立的DSSIR模型;具体过程为:DSSIR模型分为三个阶段:基于分块随机擦除的数据增强阶段、具有双输入融合和DIR模块的深度特征提取阶段以及分类阶段;所述具有双输入融合和DIR模块的深度特征提取阶段包括双输入融合部分和DIR密集连接部分;所述DIR密集连接部分包括第一DIR模块、第二DIR模块和第三DIR模块;训练集X
train
输入DSSIR模型的基于分块随机擦除的数据增强阶段,输出结果输入具有双输入融合和DIR模块的深度特征提取阶段中的双输入融合部分;双输入融合部分的输出作为第一DIR模块的输入,双输入融合部分的输出和第一DIR模块的输出的级联作为第二DIR模块的输入,双输入融合部分的输出、第一DIR模块的输出和第二DIR模块的输出的作为第三DIR模块的输入;双输入融合部分的输出、第一DIR模块的输出、第二DIR模块的输出、第三DIR模块的输出级联后输入分类阶段进行分类。3.根据权利要求2所述基于深度光谱空间倒残差网络的高光谱图像分类方法,其特征在于:所述基于随机擦除的数据增强阶段的具体处理过程为:a)、对于训练样本集X
train
,S为原始输入三维立方体的空间维面积,W为此立方体的宽,H为此立方体的高,擦除概率设置为p,随机初始化擦除区域的面积设置为S
e
,随机初始化的擦除区域的面积S
e
与输入三维立方体的空间维面积S的比率设置在p
l
和p
h
之间,S
e
的高宽比r
e
设置在r1和r2之间;其中,p
l
为比率的下界,p
h
为比率的上界,r1为高宽比r
e
的下界,r2为高宽比r
e
的上界;随机获得概率p1=Rand(0,1),如果满足p1<p,则执行b);否则结束;
b)、根据随机得到的擦除区域比例计算得到初始擦除区域S
e
=rand(p
l
,p
h
)*S;其中,rand(p
l
,p
h
)为随机得到的擦除区域比例,S为原始输入三维立方体的空间维面积;c)、再根据随机得到的高宽比计算得到擦除区域的长宽:其中,H
e
为擦除区域的长,W
e
为擦除区域的宽,*为乘法运算,rand(r1,r2)为随机得到的高宽比;d)、再根据随机得到的高宽值得到擦除的左上角的坐标(x
e
,y
e
);分别加上公式(1)得到的长宽,得到擦除区域的位置坐标(x
e
+W
e
,y
e
+H
e
),即得到变化的三维立方体;其中,x
e
=rand(0,W),y
e
=rand(0,H);e)、若所求擦除区域的位置坐标(x
e
+W
e
,y
e
+H
e
)超出了原始输入空间S的边界,则重复上述b)
‑
d)过程,继续求擦除区域的位置,否则得到擦除区域的位置坐标(x
e
+W
e
,y
e
+H
e
)。4.根据权利要求3所述基于深度光谱空间倒残差网络的高光谱图像分类方法,其特征在于:所述双输入融合部分的具体处理过程为:设x∈X
trainh
×
h
×
l
为经过随机擦除处理的数据,将x分别经过谱处理f(
·...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。