轻量化层间多尺度密集网络的高光谱遥感图像分类方法技术

本发明专利技术涉及高光谱遥感图像分类领域，尤其涉及轻量化层间多尺度密集网络的高光谱遥感图像分类方法，包括：S1、对高光谱遥感图像数据进行降维处理，得到降维后的图像数据；S2、将降维后的图像数据输入IMSDN网络，得到图像的空间

【技术实现步骤摘要】
轻量化层间多尺度密集网络的高光谱遥感图像分类方法


[0001]本专利技术涉及图像处理
，尤其是一种轻量化层间多尺度密集网络的高光谱遥感图像分类方法。

技术介绍

[0002]随着光谱成像仪的发展，高光谱传感器已经可以提供具有高光谱和空间分辨率的图像，可以同时探测目标的二维空间信息和一维光谱信息，实现“图谱合一”。由于高光谱遥感图像(HSI)数据图谱合一的形式，所以高光谱遥感图像(HSI)分析已经广泛应用于不同领域，如农业和土地变化监测、大气地理科学和矿产开发。并且高光谱传感器提供许多传统光谱传感器无法提供的连续光谱曲线。高光谱遥感图像(HSI)中每个像元在不同的电磁波段所响应的曲线是反映目标地物在相应光谱波段的反射、辐射等光谱信息。不同地物的光谱响应曲线显著不同。因此，高光谱遥感图像分类越来越成为其中的一个研究热点。
[0003]近年来，随着卷积神经网络(CNN)的发展，一些卷积模型被应用在高光谱遥感图像分类中。使用二维卷积神经网络(2D
‑
CNN)、三维卷积神经网络(3D
‑
CNN)从原始HSI三维数据同时提取空间和光谱信息特征，实现空间和光谱信息的完全融合。但是，由于CNN是简单的卷积核堆叠，并且缺少有效的特征聚合方式。
[0004]为了解决上述问题，研究人员提出了3D
‑
DenseNet来处理高光谱遥感图像分类，学习更强大的光谱空间信息。然而，在获取HSI特征的特征聚合过程中，在最后一层提取的深层特征直接进入分类器，浅层特征对分类器的影响较弱。因此，提出了多尺度密集网络(Multiscale Dense Network，MSDN)，构造三维网络，实现光谱空间信息同时提取，并进一步对特征进行聚合，不再是模型末端执行一对二的特征聚合。但是网络所使用的3D卷积核只有一种，因此对于特征的提取存在局限性。并且MSDN在网络的最后一层之前保持所有更精细的比例是低效的。

技术实现思路

[0005]针对上述问题，故本专利技术提供了一种轻量化层间多尺度密集网络的高光谱遥感图像分类方法，将水平方向将卷积分成S块，每一块在垂直方向上采用不同通道的卷积网络，来减少网络计算，提高图像分类精度。
[0006]本专利技术提供如下技术方案：轻量化层间多尺度密集网络的高光谱遥感图像分类方法，包括如下步骤：
[0007]S1、对高光谱遥感图像数据进行降维处理，得到降维后的图像数据；
[0008]S2、将降维后的图像数据输入IMSDN网络，进行图像的空间
‑
光谱特征提取，得到图像的空间
‑
光谱特征图，空间
‑
光谱特征图为三维特征图；
[0009]S3、经过S2步骤后，将得到的空间
‑
光谱特征图送入全连接层(Fully Connected Layer，FC)，将卷积输出的三维特征图转化成一维的向量，将一维向量的特征空间映射到样本空间；
[0010]S4、利用优化器对提取的一维向量进行优化处理；
[0011]S5、利用Softmax分类器对优化后一维向量进行分类，获得分类结果。
[0012]步骤S1中，采用主成分分析法PCA对高光谱遥感图像进行处理光谱降维，降维后的光谱主成分的数量为30。
[0013]所述步骤S2包括：S201、在水平方向上，使用3
×3×
3、5
×5×
5、7
×7×
7三种大小三维卷积核的密集连接网络进行图像的空间
‑
光谱特征提取；
[0014]S202、在垂直方向上，使用最大池化进行下采样操作生成低、中、高等级的三种比例特征图；
[0015]S203、将网络在水平方向上分成S块(block)，仅在第i块中保持最粗糙(S
‑
i+1)比例，经过一个1
×1×
1的卷积将级联特征连接起来。
[0016]步骤2具体包括，首先，将降维后的图像通过卷积运算提取特征，先依次经过第一通路两层分别由64和128个卷积核大小为3
×3×
3的卷积，为保证不改变特征图的大小，每层的步长设置为1；然后，通过最大池化进行下采样，生成中等级特征，输入由128个1
×1×
1、12个3
×3×
3、96个1
×1×
1和128个为3
×3×
3的卷积和128个1
×1×
1、12个5
×5×
5、96个1
×1×
1和128个为5
×5×
5的卷积组成第二通路的两个卷积快，经过1
×1×
1的卷积核也就是过渡层来减少参数量，第二通路使用这两个卷积块依次进行卷积，第二次卷积的输入为上一卷积块的输出特征和第一通路的输出特征的融合特征；最后，再次通过最大池化进行下采样，生成高等级特征，输入由第一个卷积块96个1
×1×
1和128个3
×3×
3卷积组成，第二个卷积块由96个1
×1×
1、128个5
×5×
5卷积组成，第三个卷积块由96个1
×1×
1、128个7
×7×
7卷积组成的第三通路，第三通路使用此卷积块依次进行次卷积，三次卷积的输入分别为第二通路第一次卷积下采样的输出、第三通路第一次卷积的输出、第三通路第二次卷积的输出特征和第二通路第二次卷积的输出特征的融合。
[0017]步骤3中，经过步骤2后，将得到的空间
‑
光谱特征图送入全连接层(FC)，将卷积输出的三维特征图转化成一维的向量，将前层计算得到的特征空间映射到样本空间，全连接层的激活函数使用Relu概率激活函数，具体包括：
[0018]f
Relu
(x)＝max(0,w
(i)T
x
j
+b
(i)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0019]其中，w
(i)T
x
j
+b
(i)
)表示神经网络上一层的输入向量x所经历的线性变换，最后输出的非线性结果取决于神经元在网络结构中的当前位置。
[0020]优化器选用Adam优化器，对于优化器的反向传播算法通过使用分类损失函数进行训练，参数通过反向传播进行更新；
[0021]分类损失函数表示如下：
[0022][0023]其中，和分别表示真实值和预测值，M表示小批量样本的总数，L表示特征覆盖类的总数。
[0024]一种用于上述轻量化层间多尺度密集网络(Inter layer Short Multiscale Dense Network，IMSDN)的高光谱遥感图像分类方法的系统，包括：降维模块，用于对高光谱遥感图像的光谱维信息进行降维处理，减少数据冗余；特征提取模块，用于使用IMSDN网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.轻量化层间多尺度密集网络的高光谱遥感图像分类方法，其特征在于包括如下步骤：S1、对高光谱遥感图像数据进行降维处理，得到降维后的图像数据；S2、将降维后的图像数据输入IMSDN网络，进行图像的空间
‑
光谱特征提取，得到图像的空间
‑
光谱特征图，空间
‑
光谱特征图为三维特征图；S3、经过S2步骤后，将得到的空间
‑
光谱特征图送入全连接层，将卷积输出的三维特征图转化成一维的向量，将一维向量的特征空间映射到样本空间；S4、利用优化器对提取的一维向量进行优化处理；S5、利用Softmax分类器对优化后一维向量进行分类，获得分类结果。2.根据权利要求1所述的轻量化层间多尺度密集网络的高光谱遥感图像分类方法，其特征是，步骤S1中，采用主成分分析法PCA对高光谱遥感图像进行处理光谱降维，降维后的光谱主成分的数量为30。3.根据权利要求1所述的轻量化层间多尺度密集网络的高光谱遥感图像分类方法，其特征是，所述步骤S2包括：S201、在水平方向上，使用3
×3×
3、5
×5×
5、7
×7×
7三种大小三维卷积核的密集连接网络进行图像的空间
‑
光谱特征提取；S202、在垂直方向上，使用最大池化进行下采样操作生成低、中、高等级的三种比例特征图；S203、将网络在水平方向上分成S块，仅在第i块中保持最粗糙(S
‑
i+1)比例，经过一个1
×1×
1的卷积将级联特征连接起来。4.根据权利要求3所述的轻量化层间多尺度密集网络的高光谱遥感图像分类方法，其特征是，首先，将降维后的图像通过卷积运算提取特征，先依次经过第一通路两层分别由64和128个卷积核大小为3
×3×
3的卷积，为保证不改变特征图的大小，每层的步长设置为1；然后，通过最大池化进行下采样，生成中等级特征，输入由128个1
×1×
1、12个3
×3×
3、96个1
×1×
1和128...

【专利技术属性】
技术研发人员：张朝柱，薛丹，赵茹，刘晓，穆虹志，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：