【技术实现步骤摘要】
一种基于可形变卷积的高光谱图像分类方法
[0001]本专利技术涉及遥感影像分类
,具体涉及一种基于可形变卷积的高光谱图像分类方法。
技术介绍
[0002]高光谱遥感影像(Hyperspectral Remote Sensing Image,HSI)由数百个连续的波段组成,光谱分辨率可达纳米级,包含了丰富的光谱信息。此外,HSI还具有图谱合一的特性,可以同时利用丰富的光谱特征和空间特征,进而实现对地物的精细分类。目前HSI已广泛应用于植被分析、矿产资源开发以及精准农业等领域。
[0003]HSI存在数据量大、波段相关性强、光谱特征冗余以及标记样本缺乏等问题,使得HSI在分类与目标识别应用中面临诸多挑战。传统的HSI分类方法主要包括:支持向量机、多项式逻辑回归以及随机森林等。然而,这些方法都依赖于人工设计的特征,需要设计严密的模型,进行复杂的数学推导,不能依据数据进行自主特征学习,模型的鲁棒性与适用性都有待提高。
[0004]近年来,深度学习方法极大地促进了HSI分类的发展。深度学习是机器学习中具有深层结构的神经网络算法,其动机在于建立模拟人脑进行分析学习的神经网络,通过分层方式组合低层特征,自主学习图像的深层特征。其中,卷积神经网络(Convolutional neural networks,CNN)基于其独特的卷积操作,对空间特征有着更强的特征提取能力,在HSI分类任务中的应用十分广泛,发展了1D
‑
CNN、2D
‑
CNN以及3D
‑
CNN等 ...
【技术保护点】
【技术特征摘要】
1.一种基于可形变卷积的高光谱图像分类方法,其特征在于,针对目标区域,采集目标区域的包含各预设类别的地物的高光谱图像,执行步骤A对高光谱图像进行预处理,构建并训练步骤B
‑
步骤I所描述的光谱可形变卷积网络,并应用光谱可形变卷积网络,完成高光谱图像中各像素的分类,进而实现目标区域的地物分类:步骤A.针对所采集的目标区域的高光谱图像,提取张量形式的高光谱数据,以9
×
9的窗口对高光谱数据进行切块,获得各切块后的特征图,分别针对各切块后的特征图,进行如下步骤B
‑
步骤I:步骤B.针对步骤A所获得的特征图,采用1
×1×
9的三维卷积模块对特征图的各像素点进行采样,对采样点进行光谱特征提取,同时对特征图进行光谱维的降维,其中三维卷积模块为Valid形式;步骤C.针对步骤B所获得的特征图,采用1
×1×
9的三维卷积模块对特征图的各像素点进行采样,对采样点进行光谱特征提取,其中三维卷积模块为same形式,该三维卷积模块不改变特征图的尺寸;步骤D.构建光谱维膨胀模块,用于增加特征图的光谱维,光谱维膨胀模块以步骤C所获得的特征图为输入,以光谱维增加后的特征图为输出;其中,定义步骤C所获得的特征图的光谱维为M,基于1
×1×
M,Valid形式的三维卷积模块,对特征图进行卷积并进行张量形状转化,且该三维卷积模块的通道维大于特征图的光谱维M,交换通道维和光谱维,获得光谱维增加后的特征图;步骤E.构建光谱维压缩模块,用于压缩特征图的光谱维,光谱维压缩模块以步骤D所获得的特征图为输入,以光谱维压缩后的特征图为输出;其中,定义步骤D所获得的特征图的光谱维为N,基于1
×1×
N,Valid形式的三维卷积模块,对特征图进行卷积并进行张量形状转化,且该三维卷积模块的通道维小于特征图的光谱维N,交换通道维和光谱维,获得光谱维压缩后的特征图;步骤F.针对步骤E所获得的特征图,基于5
×5×
12的三维卷积模块对特征图进行空间
‑
光谱联合特征提取,获得特征图的空间
‑
光谱联合特征;步骤G.针对步骤F所获得的特征图的空间
‑
光谱联合特征,基于空间全局平均池化方法,将空间
‑
光谱联合特征整合为全局空间特征,其中空间全局平均池化方法的池化窗口尺寸与特征图的空间维度尺寸一致;步骤H.针对步骤G所获得的全局空间特征,通过引入Flatten层,将全局空间特征展平为一维张量;步骤I.针对步骤H所获得的一维张量,引入全连接层,以一维张量作为全连接层的输入,以各像素点属于各预设类别的概率...
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。