一种融合栈式自编码网络与CNN的高光谱影像分类方法技术

本发明专利技术公开了一种基于融合栈式自编码网络与CNN的高光谱遥感影像分类方法，步骤有：（1）对高光谱遥感影像进行高斯预滤波；（2）对栈式自编码网络进行逐层贪婪式预训练，完成编码网络的初始化；（3）将编码网络与CNN网络连接，并进行分类训练，实现整体网络的微调（Fine

【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，因此充分利用高光谱数据中的有效信息，减少数据计算的复杂程度，优化分类器的性能，有着重要的研究意义。国内外学者致力于从不同方面探索高光谱影像信息降维处理、特征提取及分类方法，追求更快速更有效地提取关键信息并实现精准分类。
[0004]为了提高高光谱影像分类的精度，应当选择合适的降维方法，尽可能将Hughes现象的影响减少到最低。完成数据降维工作后，应选择合适的分类器完成分类任务。在很长一段时间里PCA、ICA、LDA降维算法配合SVM、随机森林等分类算法在高光谱影像分类领域占据着重要的位置。该类方法运算速度快，但是运算精度较低。在仅对光谱信息进行处理的基础上，空间信息的加入使这类传统算法的分类精度得到较高的提升。空谱合一的降维方式，配合传统机器学习分类器，在高光谱影像分类的工作中取得了较好的效果。
[0005]随着深度学习研究的发展，深度网络可以提取不同层次的特征，在图像、语音处理等方面均取得了较好的效果。有很多研究学者将深度学习引入到高光谱影像分类的研究中，分类精度得到了较高的提升。Yushi Chen等使用深度置信网络(DBN)方法，对高光谱影像进行分类，较好地改善了分类效果。Wei Hu等人首次将卷积神经网络(CNN)引入高光谱影像分类的研究过程中，也较好地提高了分类精度。
[0006]无论是使用传统机器学习方法还是基于深度学习的方法对高光谱影像遥感进行分类研究，都要首先进行降维操作。在基于深度学习的方法中，一般操作是使用PCA、LDA等
算法对高光谱影像进行降维，然后将降维后的影像送入深度网络中进行分类。除了PCA、LDA方法之外，基于深度学习的自编码器网络(AutoEncoder)，通过深度网络结构，将较浅层输出作为更深层的输入，最终学习到数据的内在特征，也能够实现降维效果，和PCA效果类似。戴小爱等人将自编码器引入高光谱影像分类的工作中，取得了较好的效果。邢晨等人将卷积自编码网络引入高光谱影像分类的工作中，通过使用卷积的方式，一次性实现了空谱合一的降维操作，使得深度网络的分类得到了更好的提升。
[0007]在以上叙述的方法中，不论是使用PCA、LDA等方法还是使用AutoEncoder方法，高光谱影像降维过程与使用深度网络进行分类的工作是割裂开的，工作流程复杂，且降维后的特征并不一定适用于目标分类。为了解决这个问题，张国东等人提出了使用栈式自编码网络对高光谱影像进行分类的方法。栈式自编码网络是基于自编码网络的深度结构，它将普通自编码网络进行栈式连接，通过深度结构提取信息，实现更好的降维效果。此外，张国东等人将栈式自编码器与softmax分类器进行融合，通过微调(Fine
‑
Tuning)过程，基于误差反向传播的模式，将分类器结果同时作用于分类器和栈式自编码网络，使得自编码网络随着训练过程的增加，降维效果更加适用于分类工作，从而提高分类精度，简化高光谱影像分类的工作流程。
[0008]上述的方法中，大部分都是都遵循着“先降维，后分类”的传统工作流程，一般先对高光谱数据进行整体降维，再将降维后的数据使用分类器进行分类，降维过程与分类过程割裂，降维后的特征并不一定适合于分类器进行分类。张国东等人提出的方法虽然在一定程度上简化了工作流程，但是分类器结构简单，导致实际分类效果并不理想。

技术实现思路

[0009]本专利技术针对高光谱遥感影像分类方法，专利技术了一种融合栈式自编码与CNN的高光谱遥感影像分类算法。具体是结合栈式自编码网络(Stacked
‑
Autoencoder,SAE)，首先对自编码网络进行简单的预训练，使得栈式自编码网络能够较好地表征高光谱遥感影像单个像素点上地高维数据特征，避免在直接使用高维原始数据过程中出现“Hughes现象”，随后将栈式自编码网络中地编码网络与设计的多分支CNN网络进行连接并训练，在训练过程中通过微调(fine
‑
tuning)来优化网络参数，提高网络分类精度。
[0010]为了实现上述目的，本专利技术的主要步骤如下：
[0011](1)输入波段为S，大小为N1
×
N2的高光谱遥感影像数据；
[0012](2)对原始的高光谱遥感影像数据进行3
×
3高斯滤波；
[0013](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；
[0014](4)获取标准化的高光谱遥感影像，随机选择训练样本
[0015]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]；
[0016]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；
[0017](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；
[0018](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；
[0019](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；
[0020](8)使用训练完成的网络对整体数据进行预测，输出分类后的农作物分布图。
[0021]本文档来自技高网...

【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：