【技术实现步骤摘要】
一种融合栈式自编码网络与CNN的高光谱影像分类方法
[0001]本专利技术属于高光谱遥感影像处理及应用领域,更进一步涉及高光谱遥感领域中的地物分类的方法。本专利技术可以在仅使用光谱信息的前提下,实现较优的地物分类效果,将传统高光谱遥感影像处理方法中的“先降维,后分类”的处理流程进行简化,在一个网络中同时实现高光谱遥感影像的降维与分类操作,在一定程度上提高了高光谱遥感影像分类工作的效率。在给定的数据集中,实验表明采用融合栈式自编码网络与CNN的算法可以在高光谱影像分类工作中得到较高的精度。
技术介绍
[0002]在多光谱遥感技术基础上,高光谱遥感成像技术将传统的二维成像技术与光谱遥感技术相结合,使得高光谱遥感图像光谱分辨率获得了突破性提高。传统的多光谱扫描仪,往往只能记录个别离散的波段信息,由于波段数量少,地面特征的可分辨性相对较低,而高光谱遥感成像光谱仪可以记录数百个波段信息,而且每个像素都可以产生一条连续的光谱维曲线。高光谱遥感在获取图像的光谱特征信息时还可以获取图像的几何空间信息,将目标辐射的光谱信息和空间信息融合于一体,形成三维数据图像立方体。
[0003]高光谱遥感影像中丰富的光谱信息能够极大地提升高光谱遥感影像的分类精度,但丰富的光谱信息往往伴随着数据维数高,数据冗余,运算、存储、处理困难的问题,同时易受噪声的影响,其中Hughes现象会严重影响高光谱影像处理的效果。高光谱影像的成像技术不断发展与成熟,但与之匹配的高光谱影像数据的处理方法手段却相对落后,高光谱影像数据不能被充分的使用,因此充分利用高 ...
【技术保护点】
【技术特征摘要】
1.融合栈式自编码网络与CNN的高光谱遥感影像分类方法,包括如下步骤:(1)输入波段为S,大小为N1
×
N2的高光谱遥感影像数据;(2)对原始的高光谱遥感影像数据进行3
×
3高斯滤波;(3)计算原始高光谱遥感影像的均值与标准差,对原始高光谱遥感影像数据进行Z
‑
Score标准化;(4)获取标准化的高光谱遥感影像,随机选择训练样本1.在标准化的高光谱遥感影像中随机抽取m个像素点的无监督训练样本,获得大小为m
×
S的无监督训练样本矩阵[D];2.结合地面真值图信息,对无监督训练样本矩阵[D]添加标签信息;(5)构建降维至L维的SAE网络,采用逐层贪婪训练策略,将无监督训练样本矩阵[D]进行逐层训练,得到预训练的SAE网络;(6)提取预训练SAE网络的编码网络,将编码网络与设计的CNN网络进行相连;(7)使用步骤(4)选取的样本,结合添加的标签信息,对网络进行整体训练,网络内部可以通过整体训练实现微调(fine
‑
tuning),编码网络与CNN网络互相调整,改善分类性能;(8)使用训练完成的网络对整体数据进行预测,输出分类后分布图。2.根据权利要求1所述的融合栈式自编码网络与CNN的高光谱遥感影像分类方法,其特征在于:(均使用Python语言实现)步骤(2)对原始的高光谱遥感影像数据进行3
×
3高斯滤波的具体步骤如下:选择Scipy库中的signal模块,使用convolve2d函数进行二维卷积,实现高斯滤波。kernal=np.array([[0.05,0.1,0.05],[0.1,0.4,0.1],[0.05,0.1,0.05]])a,b,c=hyperspectral_image.shapefor i in range(c
‑
1):temp=hyperspectral_image[:,:,i]temp_conv=signal.convolve2d(temp,kernal,mode='same')hyperspectral_image[:,:,i]=temp_conv其中kernal代表3
×
3的高斯卷积核,c代表高光谱遥感影像的波段数,通过循环语句对每层进行二维卷积运算,实现高斯滤波。3.根据权利要求1所述的融合栈式自编码网络与CNN的高光谱遥感影像分类方法,其特征在于:步骤(3)计算原始高光谱遥感影像的均值与标准差,对原始高光谱遥感影像数据进行Z...
【专利技术属性】
技术研发人员:郭交,李仪邦,李恒辉,秦立峰,
申请(专利权)人:西北农林科技大学,
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。