一种基于PCANet的高光谱图像分类方法及系统技术方案

本发明专利技术公开了一种基于PCANet的高光谱图像分类方法及系统，主要解决现有轻量级神经网络模型技术中分类精度低的问题，包括如下步骤：获取高光谱图像；对高光谱图像进行预处理，得到训练数据集和测试数据集；构建基于PCANet的高光谱图像分类模型，将训练数据集输入所述高光谱图像分类模型中进行训练，得到完成训练的高光谱图像分类模型；其中，所述高光谱图像分类模型包括依次连接的第一层卷积核、非线性函数、第二层卷积核和分类器；将测试数据集放入完成训练的高光谱图像分类模型，得到高光谱图像分类结果。本发明专利技术针对由于光散射导致高光谱成像存在的非线性，而引进的非线性函数提升了高光谱图像分类精度；对高光谱图像进行预处理去掉次要的光谱信息，能够大大减轻计算量。能够大大减轻计算量。能够大大减轻计算量。

【技术实现步骤摘要】
一种基于PCANet的高光谱图像分类方法及系统


[0001]本专利技术涉及图像处理
，特别是涉及一种高光谱图像分类方法。

技术介绍

[0002]高光谱图像是通过遥感系统(例如，星载或机载传感器)在数百个连续和窄波段上捕获每个像素波段的光谱图像数据集合。连续波段数据提供了详细信息，可以进行地物目标类别进行鉴别。高光谱图像可以应用在地质勘探，环境检测，精准农业与植被检测等许多的领域。近十年来，随着计算机硬件的发展与计算效率的提升，卷积神经网络等深度学习的方法广泛应用于视觉与自然语言处理等任务中，并取得了较为理想的效果。近几年来，基于卷积神经网络的方法也开始广泛应用于高光谱图像分类。然而，深度神经网络通常需要构建较深且复杂的网络结构用于提取抽象的语义特征等信息，往往还需要一定的样本进行训练调整模型的参数等。同时，在训练模型的时候，还需要考虑正则化参数和选择数值优化器，根据数据不断调整参数，这也是一个繁琐的过程。
[0003]目前针对模型在训练过程以及测试过程中速度较慢的问题，公开了一种基于FPGA深度边缘滤波器的高光谱图像分类方法，主要解决现有技术中高光谱图像分类速度慢、功耗高和总体分类精度低的问题。上述方法具体步骤如下：1)输入待分类高光谱图像；2)对待分类高光谱图像进行预处理；3)对预处理后的高光谱图像进行降维操作；4)用深度边缘滤波器进行深度边缘滤波；5)生成训练集和测试集；6)构建高光谱图像分类网络；7)训练高光谱图像分类网络；8)对测试集进行分类。虽然上述高光谱图像分类方法解决了分类速度慢、功耗高和总体分类精度低的问题，但是上述高光谱图像分类方法未考虑到高光谱的非线性，导致Kappa指标过低、分类精度低，无法满足用户的需求。

技术实现思路

[0004]本专利技术为克服上述现有技术所述的高光谱图像分类精度低等缺陷，提供一种基于PCANet的高光谱图像分类方法及系统。
[0005]为实现以上专利技术目的，而采用的技术手段是：
[0006]一种基于PCANet的高光谱图像分类方法，其步骤包括：
[0007]步骤100：获取高光谱图像；
[0008]步骤200：对高光谱图像进行预处理，得到训练数据集和测试数据集；
[0009]步骤300：构建基于PCANet的高光谱图像分类模型，将训练数据集输入所述高光谱图像分类模型中进行训练，得到完成训练的高光谱图像分类模型；
[0010]其中，所述高光谱图像分类模型包括依次连接的第一层卷积核、非线性函数、第二层卷积核和分类器；所述训练数据集输入所述高光谱图像分类模型中，通过对训练数据集进行图像特征提取及分析对第一层卷积核进行训练；将依次经过第一层卷积核和非线性函数得到的特征图进行图像特征提取及分析后对第二层卷积核进行训练；将依次通过第一层卷积核、非线性函数、第二层卷积核得到的特征图进行分析后对分类器进行训练；
[0011]步骤400：将测试数据集放入完成训练的高光谱图像分类模型，得到高光谱图像分类结果。
[0012]本专利技术还提供了一种基于PCANet的高光谱图像分类系统，包括：
[0013]数据获取模块，用于获取高光谱图像；
[0014]预处理模块，用于对高光谱图像进行预处理，得到训练数据集和测试数据集；
[0015]高光谱图像分类模块，所述高光谱图像分类模块中包括基于PCANet的高光谱图像分类模型，用于对输入的高光谱图像进行高光谱图像分类；
[0016]其中，将训练数据集输入所述高光谱图像分类模型中进行训练，得到完成训练的高光谱图像分类模型后，再将测试数据集输入完成训练的高光谱图像分类模型，得到分类结果。
[0017]与现有技术相比，本专利技术技术方案的有益效果是：基于PCANet的高光谱图像分类模型针对由于光散射导致高光谱成像存在的非线性，而引进的非线性函数提升了高光谱图像分类精度；对高光谱图像进行预处理去掉次要的光谱信息，能够大大减轻计算量。
附图说明
[0018]图1为实施例1基于PCANet的高光谱图像分类方法的流程图；
[0019]图2为实施例2基于PCANet的高光谱图像分类方法的流程图；
[0020]图3为实施例3基于PCANet的高光谱图像分类系统的示意图。
具体实施方式
[0021]附图仅用于示例性说明，不能理解为对本专利的限制；
[0022]为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0023]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0024]下面结合附图和实施例对本专利技术的技术方案做进一步的说明。
[0025]实施例1
[0026]本实施例提出一种基于PCANet的高光谱图像分类方法，如图1所示，其步骤包括：
[0027]步骤100：获取高光谱图像；
[0028]步骤200：对高光谱图像进行预处理，得到训练数据集和测试数据集；
[0029]步骤300：构建基于PCANet的高光谱图像分类模型，将训练数据集输入所述高光谱图像分类模型中进行训练，得到完成训练的高光谱图像分类模型；
[0030]其中，所述高光谱图像分类模型包括依次连接的第一层卷积核、非线性函数、第二层卷积核和分类器；所述训练数据集输入所述高光谱图像分类模型中，通过对训练数据集进行图像特征提取及分析对第一层卷积核进行训练；将依次经过第一层卷积核和非线性函数得到的特征图进行图像特征提取及分析后对第二层卷积核进行训练；将依次通过第一层卷积核、非线性函数、第二层卷积核得到的特征图进行分析后对分类器进行训练；
[0031]步骤400：将测试数据集放入完成训练的高光谱图像分类模型，得到高光谱图像分类结果。
[0032]本实施例针对由于光散射导致高光谱成像存在的非线性，而引进的非线性函数提升了高光谱分类精度；对高光谱进行预处理去掉次要的光谱信息，能够大大减轻计算量。
[0033]实施例2
[0034]本实施例提出一种基于PCANet的高光谱图像分类方法，如图2所示，其步骤包括：
[0035]步骤100：获取高光谱图像；
[0036]步骤200：对高光谱图像进行预处理，得到训练数据集和测试数据集，具体步骤如下：
[0037]步骤210：对高光谱图像进行降维操作，得到高光谱主图；本实施例的降维操作，能减少不必要的光谱信息，从而减少计算，进一步简化高光谱图像分类的过程。本实施例中实施的降维操作具体如下：
[0038]步骤211：获取高光谱图像的尺寸w1×
h1×
C，其中，w1为高光谱图像矩阵中的行，h1为高光谱图像矩阵中的列，C为高光谱图像的光谱层数；
[0039]步骤212：用主成分分析算法(principal components analysis，PCA)对高光谱图像的光谱维度进行降维，得到高光谱图像中各层光谱的特征值；
[0040]步骤2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCANet的高光谱图像分类方法，其特征在于，包括如下步骤：步骤100：获取高光谱图像；步骤200：对高光谱图像进行预处理，得到训练数据集和测试数据集；步骤300：构建基于PCANet的高光谱图像分类模型，将训练数据集输入所述高光谱图像分类模型中进行训练，得到完成训练的高光谱图像分类模型；其中，所述高光谱图像分类模型包括依次连接的第一层卷积核、非线性函数、第二层卷积核和分类器；所述训练数据集输入所述高光谱图像分类模型中，通过对训练数据集进行图像特征提取及分析对第一层卷积核进行训练；将依次经过第一层卷积核和非线性函数得到的特征图进行图像特征提取及分析后对第二层卷积核进行训练；将依次通过第一层卷积核、非线性函数、第二层卷积核得到的特征图进行分析后对分类器进行训练；步骤400：将测试数据集放入完成训练的高光谱图像分类模型，得到高光谱图像分类结果。2.根据权利要求1所述的基于PCANet的高光谱图像分类方法，其特征在于：在步骤200中，对高光谱图像进行预处理的步骤包括：步骤210：对高光谱图像进行降维操作，得到高光谱主图；步骤220：将高光谱主图中的每个像素点和与其相邻的像素构成像素点图像块；步骤230：根据地物类别对像素点图像块进行标记；步骤240：剔除未标记的像素点图像块，得到高光谱数据集；步骤250：随机将高光谱数据集划分为训练数据集和测试数据集。3.根据权利要求2所述的基于PCANet的高光谱图像分类方法，其特征在于：在步骤210中，对高光谱图像进行降维操作的步骤包括：步骤211：用主成分分析算法对高光谱图像的光谱维度进行降维，得到高光谱图像中各层光谱的特征值；步骤212：保留特征值最大的k层光谱，组成高光谱主图。4.根据权利要求1所述的基于PCANet的高光谱图像分类方法，其特征在于：在步骤300中，将训练数据集输入所述高光谱图像分类模型中进行训练的步骤包括：步骤310：通过窗口提取训练数据集的图像特征，并根据所述图像特征计算得到高光谱图像分类模型的第一层卷积核；步骤320：将训练数据集与第一层卷积核进行卷积后输入非线性函数，得到非线性的第一层特征图；步骤330：用窗口提取第一层特征图的图像特征，通过第一层特征图的图像特征计算得到高光谱图像分类模型的第二层卷积核；步骤340：将所述第一层特征图与第二层卷积核进行卷积，得到第二层特征图；步骤350：对第二层特征图进行二值化和分块分组，得到特征图块；步骤360：统计每个特征图块中十进制的柱状图，将所有的柱状图连接构成直方图统计向量；步骤370：将直方图统计向量输入分类器中进行训练，得到完成训练的高光谱图像分类模型。5.根据权利要求4所述的基于PCANet的高光谱图像分类方法，其特征在于：在步骤310
中，通过窗口提取训练数据集的图像特征，并根据所述图像特征计算得到第一层卷积核的步骤包括：步骤311：获取训练数据集的尺寸w2×
h2×
k，获取训练数据集中训练数据的个数N1，其中，w2为训练数据集矩阵中的行，h2为训练数据集矩阵中的列，k为训练数据集的光谱层数；步骤312：对训练数据集内第i个训练数据中的第c个通道的图像层设置大小为k1×
k2的窗口，通过窗口滑动提取N2个图像特征，并对提取的图像特征按列进行拼接，得到第i个训练数据中第c个通道的窗口集其中，表示第i个训练数据第c个通道中的第N2个窗口，i＝1,
…
,N1，c＝1,
…
,k，N2＝(w2‑
k1+1)
×
(h2‑
k2+1)；步骤313：求出每个训练数据中各个通道的窗口平均值；步骤314：对第i个训练数据中第c个通道中的每个窗口减去其所在通道的窗口平均值，得到第i个训练数据的第c个通道窗口均值步骤315：将第i个训练数据的每...

【专利技术属性】
技术研发人员：李勉鹏，徐翔，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：