一种基于空域-光谱维度转换的高光谱分类方法技术

本发明专利技术涉及基于空域

【技术实现步骤摘要】
一种基于空域
‑
光谱维度转换的高光谱分类方法


[0001]本专利技术涉及高光谱图像分类
，尤其是一种基于空域
‑
光谱维度转换的高光谱分类方法。

技术介绍

[0002]目前，传统图像分类方法依赖手动设计计算模型获取图像的光谱特征、空间特征和空谱特征，例如：使用线性判别分析、独立成分分析、主成分分析等方法提取光谱特征；利用低秩表示、形态属性、灰度共生矩阵等方法提取空间特征；设计三维小波变换、三维Gabor变换、三维散射小波变换等方法获取空谱特征。然而，这些浅层或中层特征表达能力有限，已无法满足现代分类任务的高精度需求。
[0003]随着第一台航空光谱成像系统AIS
‑
1的问世，高光谱遥感图像就以其具备的独特空域信息和光谱信息及其高空成像优势，受到了科研人员和国防部门的广泛关注。一方面，基于航天遥感技术的现代军事侦察手段，具有侦察范围广、不受地理条件限制、发现目标快、反隐蔽性能强等特点，能够为作战部队获取其他途径难以得到的军事情报。另一方面，随着中国高分5号、意大利PRISMA等民用高光谱遥感卫星的陆续发射，高光谱图像被广泛应用于自然资源勘探、环境污染监测和自然灾害评估中，高光谱图像处理技术在各行各业中都逐步体现出重要应用价值。
[0004]高光谱图像分类技术是高光谱图像处理技术中的重要组成部分，旨在利用高光谱图像中具备的独特空域信息和光谱信息，自动、准确地识别出地物目标的类别。随着深度学习技术的发展，研究人员基于不同种类的先进神经网络架构提出一系列高性能高光谱图像分类方法，例如：基于ResNet的方法、基于Inception的方法、基于DenseNet的方法和基于SENet的方法等。众多研究成果表明，一维、二维和三维卷积能够自动、有效地提取高光谱图像的光谱、空间和空谱特征。同时结合多分支特征提取结构，但是现有分类方法在公开数据集上的分类准确率已接近“饱和”状态。
[0005]现有基于深度学习的分类方法在数据集划分过程中大多以像素为中心进行图像块分割，随后将分割后的图像块划分为训练集和测试集。这种数据划分模式导致训练集和测试集中数据存在大量重叠区域，造成“信息泄露”，直接影响分类方法性能评估的可靠性，如训练像素再次被送入网络测试，结果表现为分类性能过于乐观。另外，基于中心像素的分类网络只能预测中心像素的类别信息，像素利用率低，浪费了本就数量不多的标记样本。并且在高光谱图像分类研究中，大多数方法都是基于空间
‑
光谱联合方式提取特征，这些方法只能提取到相邻光谱上的信息，无法同时提取距离较远的非相邻光谱上的信息，无法充分利用光谱信息。

技术实现思路

[0006]本专利技术的目的在于提供一种实现对输入图像块中的每个像素进行分类预测，充分利用光谱信息达到提高稀缺高光谱数据的利用率和分类效率的基于空域
‑
光谱维度转换的
高光谱分类方法。
[0007]为实现上述目的，本专利技术采用了以下技术方案：一种基于空域
‑
光谱维度转换的高光谱分类方法，该方法包括下列顺序的步骤：
[0008](1)对于原始高光谱数据集和相对应的标签向量数据集进行等间距不重叠划分，得到训练集X1、验证集X2、测试集X3，以及训练集标签Y1、验证集标签Y2和测试集标签Y3；
[0009](2)将划分好的训练集X1、验证集X2、测试集X3进行空域
‑
光谱维度转换，得到转换后的新训练集X1_1、新验证集X2_1、新测试集X3_1；同时对训练集标签Y1、验证集标签Y2和测试集标签Y3进行维度转换，得到新训练集标签Y1_1、新验证集标签Y2_1、新测试集标签Y3_1；
[0010](3)构建基于空域
‑
光谱维度转换的高光谱分类网络DSSFN；
[0011](4)将训练集X1、验证集X2和新训练集标签Y1_1、新验证集标签Y2_1输入到高光谱分类网络DSSFN的SAS
‑
branch分支中；将新训练集X1_1、新验证集X2_1和新训练集标签Y1_1、新验证集标签Y2_1输入高光谱分类网络DSSFN的SFCI
‑
branch分支中，采用Adam算法进行迭代优化，得到分类性能最优的最优网络DSSFN；
[0012](5)向最优网络DSSFN中输入测试集X3、新测试集X3_1和对应的测试集标签Y3_1进行分类结果预测。
[0013]所述步骤(1)具体包括以下步骤：
[0014](1a)首先，将整个原始高光谱数据集划分为W*H*C的高光谱图像块，其中，W、H分别表示划分的高光谱图像块的宽度和高度，C是光谱带的数量；
[0015](1b)丢弃没有任何标注信息的高光谱图像块，并将只有一种像素标注的高光谱图像块当作测试集，记为测试集
‑
1；
[0016](1c)将多于1类像素标记的高光谱图像块按照划分的顺序逐一排序，并分为T组，随意选择其中一组作为训练集X1，在剩下的数据中再任意选择另外一组作为验证集X2，余下的T
‑
2组作为测试集
‑
2；最终，测试集
‑
1、测试集
‑
2组合成测试集X3，训练集X1、验证集X2、测试集X3相对应位置上的标签分别作为训练集标签Y1、验证集标签Y2和测试集标签Y3。
[0017]所述步骤(2)具体包括以下步骤：
[0018](2a)抽取训练集X1、验证集X2、测试集X3中所有像素在光谱维度上的一维向量C*1，C表示光谱带的数量；
[0019](2b)将一维向量C*1转置得到1*C，将这两个向量进行乘积处理，得到光谱相关性矩阵C*C；
[0020](2c)将大小为W*H*C的训练集X1、验证集X2和测试集X3数据转化为大小为C*C*(W*H)的数据集X1_1、X2_1、X3_1；
[0021](2d)将大小为W*H*1的标签进行拉伸、维度转换处理，转换为大小为1*1*(W*H)的新训练集标签Y1_1、新验证集标签Y2_1、新测试集标签Y3_1。
[0022]所述步骤(3)具体包括以下步骤：
[0023](3a)构建光谱全通道交互网络分支SFCI
‑
branch，所述光谱全通道交互网络分支SFCI
‑
branch包括第一三维卷积层、第一BN批量归一化层、第一RELU激活层；第二三维卷积层、第二BN批量归一化层、第二RELU激活层；第三三维卷积层、第三BN批量归一化层、第三RELU激活层；第四三维卷积层、第四BN批量归一化层、第四RELU激活层；第五三维卷积层、第
五BN批量归一化层、第五RELU激活层；
[0024](3b)构建空域
‑
连续光谱特征提取网络分支SAS
‑
branch，所述空域
‑
连续光谱特征提取网络分支SAS
‑
bran本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空域
‑
光谱维度转换的高光谱分类方法，其特征在于：该方法包括下列顺序的步骤：(1)对于原始高光谱数据集和相对应的标签向量数据集进行等间距不重叠划分，得到训练集X1、验证集X2、测试集X3，以及训练集标签Y1、验证集标签Y2和测试集标签Y3；(2)将划分好的训练集X1、验证集X2、测试集X3进行空域
‑
光谱维度转换，得到转换后的新训练集X1_1、新验证集X2_1、新测试集X3_1；同时对训练集标签Y1、验证集标签Y2和测试集标签Y3进行维度转换，得到新训练集标签Y1_1、新验证集标签Y2_1、新测试集标签Y3_1；(3)构建基于空域
‑
光谱维度转换的高光谱分类网络DSSFN；(4)将训练集X1、验证集X2和新训练集标签Y1_1、新验证集标签Y2_1输入到高光谱分类网络DSSFN的SAS
‑
branch分支中；将新训练集X1_1、新验证集X2_1和新训练集标签Y1_1、新验证集标签Y2_1输入高光谱分类网络DSSFN的SFCI
‑
branch分支中，采用Adam算法进行迭代优化，得到分类性能最优的最优网络DSSFN；(5)向最优网络DSSFN中输入测试集X3、新测试集X3_1和对应的测试集标签Y3_1进行分类结果预测。2.根据权利要求1所述的基于空域
‑
光谱维度转换的高光谱分类方法，其特征在于：所述步骤(1)具体包括以下步骤：(1a)首先，将整个原始高光谱数据集划分为W*H*C的高光谱图像块，其中，W、H分别表示划分的高光谱图像块的宽度和高度，C是光谱带的数量；(1b)丢弃没有任何标注信息的高光谱图像块，并将只有一种像素标注的高光谱图像块当作测试集，记为测试集
‑
1；(1c)将多于1类像素标记的高光谱图像块按照划分的顺序逐一排序，并分为T组，随意选择其中一组作为训练集X1，在剩下的数据中再任意选择另外一组作为验证集X2，余下的T
‑
2组作为测试集
‑
2；最终，测试集
‑
1、测试集
‑
2组合成测试集X3，训练集X1、验证集X2、测试集X3相对应位置上的标签分别作为训练集标签Y1、验证集标签Y2和测试集标签Y3。3.根据权利要求1所述的基于空域
‑
光谱维度转换的高光谱分类方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)抽取训练集X1、验证集X2、测试集X3中所有像素在光谱维度上的一维向量C*1，C表示光谱带的数量；(2b)将一维向量C*1转置得到1*C，将这两个向量进行乘积处理，得到光谱相关性矩阵C*C；(2c)将大小为W*H*C的训练集X1、验证集X2和测试集X3数据转化为大小为C*C*(W*H)的数据集X1_1、X2_1、X3_1；(2d)将大小为W*H*1的标签进行拉伸、维度转换处理，转换为大小为1*1*(W*H)的新训练集标签Y1_1、新验证集标签Y2_1、新测试集标签Y3_1。4.根据权利要求1所述的基于空域
‑
光谱维度转换的高光谱分类方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)构建光谱全通道交互网络分支SFCI
‑
branch，所述光谱全通道交互网络分支SFCI
‑
branch包括第一三维卷积层、第一BN批量归一化层、第一RELU激活层；第二三维卷积层、第二BN批量归一化层、第二RELU激活层；第三三维卷积层、第三BN批量归一化层、第三RELU激
活层；第四三维卷积层、第四BN批量归一化层、第四RELU激活层；第五三维卷积层、第五BN批量归一化层、第五RELU激活层；(3b)构建空域
‑
连续光谱特征提取网络分支SAS
‑
branch，所述空域
‑
连续光谱特征提取网络分支SAS
‑
branch包括第六三维卷积层、第六BN批量归一化层、第六RELU激活层；第七三维卷积层、第七BN批量归一化层、第七RELU激活层；第八三维卷积层、第八BN批量归一化层、第八RELU激活层；第九三维卷积层、第九BN批量归一化层、第九RELU激活层；第十三维卷积层、第十BN批量归一化层、第十RELU激活层；第十一三维卷积层、第十一BN批量归一化层、第十一RELU激活层；第一reshape层，第二reshape层；(3c)将光谱全通道交互网络分支SFCI
‑
branch和空域
‑
连续光谱特征提取网络分支SAS
‑
branch进行融合，构建基于空域
‑

【专利技术属性】
技术研发人员：吴军，孙欣仪，屈磊，王慧敏，欧阳磊，李园园，韩婷婷，
申请(专利权)人：安徽大学，
类型：发明
国别省市：