【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 ...
【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:
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。