一种轻量化多尺度密集网络高光谱遥感图像分类方法技术

本发明专利技术公开一种轻量化多尺度密集网络高光谱遥感图像分类方法，其特征在于，包括以下步骤：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SMSDN网络，进行图像的空间

【技术实现步骤摘要】
一种轻量化多尺度密集网络高光谱遥感图像分类方法


[0001]本专利技术涉及图像处理领域，具体地讲，涉及一种轻量化多尺度密集网络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，随着卷积层数的增加会导致梯度消失或者梯度爆炸，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（MSDN），构造三维网络，模型如图1所示，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。但是网络最后一层之前保持所有更精细的比例是低效的，会占用大量内存，增加计算量。
[0005]针对上述问题，本专利技术提出一种轻量化多尺度密集网络（Short Multiscale Dense Network，SMSDN）的高光谱遥感图像分类方法。在水平方向上使用三维卷积的密集连接进行HSI特征的深度提取，在垂直方向上，使用最大池化（Max Pooling）进行下采样操作生成低、中、高等级的三种比例特征图。其次，在此基础上将网络进行简化，将网络在水平方向上分成块（block），仅在第块中保持最粗糙比例。所提方法与其他方法相比可以减少计算量，保持精度不变。

技术实现思路

[0006]本专利技术要解决的技术问题是提供一种轻量化多尺度密集网络高光谱遥感图像分类方法，更好的提取特征信息，减少计算量，保持图像的分类精度。
[0007]本专利技术采用如下技术方案实现专利技术目的：一种轻量化多尺度密集网络高光谱遥感图像分类方法，其特征在于，包括以下步骤：
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SMSDN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；S3：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特征向量，将前层计算得到的特征空间映射到样本空间；S4：利用优化器对提取的空间
‑
光谱特征进行优化处理；S5：利用Softmax分类器对空间
‑
光谱特征进行分类，获得分类结果。
[0008]作为本技术方案的进一步限定，对高光谱遥感图像降维处理包括：采用主成分分析法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。
[0009]作为本技术方案的进一步限定，所述S2具体包括：S201：在水平方向上，使用三维卷积的密集连接进行HSI特征的深度提取，并在每个密集连接特征聚合之后都放置一个过渡层，减少密集结构中的参数量；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块，仅在第块中保持最粗糙比例。
[0010]作为本技术方案的进一步限定，所述全连接层的激活函数使用概率激活函数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中：表示神经网络上一层的输入向量所经历的线性变换，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。
[0011]作为本技术方案的进一步限定，所述S4中，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；分类损失函数表示如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中：表示真实值；表示预测值；表示小批量样本的总数；表示特征覆盖类的总数。
[0012]作为本技术方案的进一步限定，采用以下三个模块：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SMSDN网络在水平和垂直两个方向上同时对降维后的高光谱遥感图像的空间和光谱维特征进行提取，得到空间
‑
光谱特征图；
优化分类模块，用于利用优化器对提取关键信息的图像进行处理，获得最后分类结果。
[0013]与现有技术相比，本专利技术的优点和积极效果是：高光谱遥感图像具有“图谱合一”的特性，因此高光谱遥感图像分类的关键是对于图像空间
‑
光谱特征的提取，但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，占用大量内存，增加计算量。本专利技术提出一种轻量化多尺度密集网络的高光谱遥感图像分类方法，能够解决MSDN对特征的提取存在局限性，并有效减少计算量。通过实验表明，所提方法与其他方法相比可以减少计算量，并且保持了图像分类精度。
附图说明
[0014]图1为多尺度密集网络的高光谱遥感图像分类方法的模型图。
[0015]图2为本专利技术实施例所述的一种轻量化多尺度密集网络的高光谱遥感图像分类方法的流程图。
[0016]图3为本专利技术实施例所述的一种轻量化多尺度密集网络的高光谱遥感图像分类方法在数据集分类结果对比示意图。
[0017]图4为本专利技术实施例所述的一种轻量化多尺度密集网络的高光谱遥感图像分类方法在数据集分类结果对比示意图。
具体实施方式
[0018]下面结合附图，对本专利技术的一个具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。
[0019]本具体实施方式提出了一种轻量化多尺度密集网络（Short Multiscale Dense Network，SMSDN）高光谱遥感图像分类方法。总体流程图如图2所示，具体步骤如下：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。
[0020]对高光谱遥感图像降维处理包括：采用主成分分析法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。
[0021]具体的，采用主成分分析PCA对高光谱遥感图像进行降维处理，它将高光谱遥感图像一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化多尺度密集网络高光谱遥感图像分类方法，其特征在于，包括以下步骤：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SMSDN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；S3：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特征向量，将前层计算得到的特征空间映射到样本空间；S4：利用优化器对提取的空间
‑
光谱特征进行优化处理；S5：利用Softmax分类器对空间
‑
光谱特征进行分类，获得分类结果。2.根据权利要求1所述的轻量化多尺度密集网络高光谱遥感图像分类方法，其特征在于：对高光谱遥感图像降维处理包括：采用主成分分析法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2所述的轻量化多尺度密集网络高光谱遥感图像分类方法，其特征在于：所述S2具体包括：S201：在水平方向上，使用三维卷积的密集连接进行HSI特征的深度提取，并在每个密集连接特征聚合之后都放置一个过渡层，减少密集结构中的参数量；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；S20...

【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：