基于自适应L-BFGS算法的高光谱图像分类方法技术

本发明专利技术涉及一种基于自适应L

【技术实现步骤摘要】
基于自适应L
‑
BFGS算法的高光谱图像分类方法


[0001]本专利技术涉及高光谱图像处理
，尤其是指一种基于自适应 L
‑
BFGS算法的高光谱图像分类方法。

技术介绍

[0002]高光谱图像(HSI)分类是通过为每个像元分配单个标签来区分不同的地物，在森林勘察、城市检测和土地覆盖制图等领域得到了广泛应用。高光谱图像是典型的三维立方体数据，其具有两个空间维度和一个光谱维度，前者描述地物目标的空间位置信息，后者描述地物目标在不同波长下光谱反射率的变化曲线。因此，高光谱图像包含丰富的空间特征和光谱特征。但由于高光谱图像中各波段之间相关性过强，导致波段间冗余信息较多，这阻碍了重要信息的挖掘与表达。
[0003]目前主流方式是通过特征提取将像元映射到特定子空间中，通过这种映射减少波段之间的强关联性，得到蕴含丰富判别信息的嵌入特征，提升像元的可识别能力。考虑到高光谱图像具有“图谱合一”的优势，即像元的空间信息与光谱信息具有一致性，现有技术中高光谱图像分类方法一般可分为光谱特征分类方法和空谱特征分类方法。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应L
‑
BFGS算法的高光谱图像分类方法，其特征在于，包括如下步骤：S10：数据预处理：获取高光谱图像的像元数据及对应的空间数据形成输入样本二和输入样本一；将输入样本一和输入样本二分别打乱，从每个输入样本中抽取部分形成训练样本一和训练样本二；S20：构建深度网络模型：深度网络模型包括空间特征提取模块一、空间特征提取模块二、光谱特征提取模块和分类模块，利用卷积层和长短期记忆网络层分别对空间特征提取模块一、空间特征提取模块二处理得到第一输出和第二输出，利用全连接层对光谱特征提取模块处理得到第三输出，对输出结果进行融合；将融合结果输入分类模块，得到第四输出；S30：训练网络模型：每次从训练样本一和训练样本二中选取小批量训练样本一和小批量训练样本二，将小批量训练样本一作为空间特征提取模块一、将小批量训练样本一进行变换作为空间特征提取模块二、将小批量训练样本二作为光谱特征提取模块输入到步骤S20的深度网络模型中，得到全部输出，并根据上述输出计算损失函数L；利用L
‑
BFGS算法，对网络参数进行训练，直至网络收敛；训练过程中，自适应选择K
*
个记忆尺度，其中K
*
＝argmin
1≤K≤M
{Q
K
}，S40：生成分类结果：基于训练好的深度网络模型，将输入样本一和输入样本二进行输入，得到所有高光谱像元的类别标签。2.根据权利要求1所述的基于自适应L
‑
BFGS算法的高光谱图像分类方法，其特征在于：训练过程中，根据K
*
个记忆尺度，计算出K
*
个方向并以混合方向作为搜索方向。3.根据权利要求2所述的基于自适应L
‑
BFGS算法的高光谱图像分类方法，其特征在于：训练过程中，深度网络模型中的参数根据下式进行更新：x
t+1
＝x
t
+μ
t
⊙
d
t
其中，μ
t
为步长即学习率，且β是衰减率，η是初始步长，ε是常数。4.根据权利要求1所述的基于自适应L
‑
BFGS算法的高光谱图像分类方法，其特征在于：对步骤S10中的高光谱图像进行归一化预处理，且归一化预处理中取值范围在
‑
1到1之间，归一化公式如下：
其中x
min
表示高光谱像元数据中最小值，x
max
表示高光...

【专利技术属性】
技术研发人员：黄鹤，于文博，王俊，
申请(专利权)人：苏州大学，
类型：发明
国别省市：