基于深度卷积神经网络的空谱联合的高光谱图像分类方法

摘要

本发明涉及一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法，将传统的应用在二维图像上的深度卷积神经网络引入到三维高光谱图像分类问题中来。首先，利用少量标签数据，训练卷积神经网络，并利用该网络自主提取高光谱图像的空谱特征，不需要任何压缩降维的处理；然后，利用提取到的空谱特征训练支持向量机(SVM)分类器，对图像进行分类；最后，结合已训练好的神经网络和训练好的分类器，神经网络提取待分类目标的空谱特征，分类器确定提取出的空谱特征的具体类别，得到一个能够自主提取高光谱图像的空谱特征并对其进行分类的结构(DCNN-SVM)，从而形成一套高光谱图像分类的方法。

说明书

技术领域

本发明属于遥感信息处理技术领域，涉及一种高光谱图像的分类方法，尤其涉及一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法。

背景技术

高光谱遥感图像光谱分辨率高、成像波段多、信息量大，在遥感应用领域得到广泛应用。高光谱图像分类技术在这些应用中起着重要作用，其中从原高光谱图像中提取用来分类的特征，该步骤对高光谱图像的分类精度影响巨大，分类特征的鲁棒性强，能够大幅提高分类精度；相反，鲁棒性较差的分类特征则会明显降低分类效果。

近几年，深度学习在特征提取方面成绩显著，为提高高光谱图像分类精度，深度学习中的SAE、DBN等深度模型被引入到高光谱图像的分类中来，并在谱特征的基础上，引入空间特征，利用深度学习模型，自主提取高光谱图像的空谱特征，有效的提高了高光谱图像分类精度。

然而，现有的这些利用深度模型提取高光谱图像空谱特征的这些方法，在提取空谱特征时的做法十分复杂先，往往需要先对原高光谱图像进行谱空间上的降维，再将降维之后的信息与谱信息结合得到空谱特征。降维处理计算量大，且损失了一定的谱信息，影响精度。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法。一是克服提取空间特征时需要进行复杂的谱空间降维，二是充分利用谱信息，空谱特征由数据中自学得到。

技术方案

一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法，其特征在于步骤如下：

步骤1：采用对高光谱图像进行归一化处理，其中：ij表示坐标位置，s表示谱段，x_max、x_min分别表示三维高光谱数据中的最大值和最小值；

步骤2、提取原始空谱特征：提取归一化处理后的高光谱图像的中心像素及八邻域像素共九个像素向量作为位于(i，j)位置的中心像素的原始空谱特征；

步骤3：从步骤2提取出来的数据中随机抽取6％以上的含有标签的数据作为训练卷积神经网络的数据；

步骤4、构建卷积神经网络：网络的输入是步骤2中提取的原始空谱特征，网络的卷积核为一维向量，每层卷积层后边连接一层池化层，根据谱空间维数选择2～3层卷积层，网络的全连接层后连接softmax层；

步骤5：以步骤3中提取出来的训练数据，利用随机梯度下降算法训练卷积神经网络，使卷积神经网络能够自主提取高光谱图像的空谱特征；移除已训练好的卷积神经网络末尾的softmax层，保留全连接层以及之前的部分，使卷积神经网络作为特征提取器；

步骤6：以特征提取器对整个高光谱图像进行特征提取得到深度空谱特征；

步骤7：对提取到的深度空谱特征进行归一化操作，卷积神经网络的训练数据通过特征提取器得到的深度空谱特征作为分类器训练数据；

步骤8、利用分类器训练数据训练一个SVM分类器，将待分类的图像数据穿过特征提取器得到深度空谱特征，将深度空谱特征穿过SVM分类器，SVM分类器输出分类的结果。

有益效果

本发明提出的一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法，将传统的应用在二维图像上的深度卷积神经网络引入到三维高光谱图像分类问题中来。首先，利用少量标签数据，训练卷积神经网络，并利用该网络自主提取高光谱图像的空谱特征，不需要任何压缩降维的处理；然后，利用提取到的空谱特征训练支持向量机(SVM)分类器，对图像进行分类；最后，结合已训练好的神经网络和训练好的分类器，神经网络提取待分类目标的空谱特征，分类器确定提取出的空谱特征的具体类别，得到一个能够自主提取高光谱图像的空谱特征并对其进行分类的结构(DCNN-SVM)，从而形成一套高光谱图像分类的方法。

本发明的有益效果在于：解决了现有的分类技术中需要进行谱空间降维或者压缩的复杂处理的问题，充分利用了谱信息，自主从数据中学习空谱特征，提高了分类精度。同时在分类阶段引入了SVM分类器，解决了小样本下分类精度不高的问题。

附图说明

图1：基于CNN的空谱联合的高光谱图像分类方法流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

步骤1输入高光图图像数据，依照公式对数据进行归一化操作。其中ij表示坐标位置s表示谱段，一般为100-240谱段，x_max、x_min分别表示表示三维高光谱数据中的最大值和最小值。

步骤2提取原始空谱特征，将高光谱图像中，中心像素及八邻域像素一共九个像素向量提取出来作为位于(i，j)位置的中心像素的原始空谱特征。

步骤3从步骤2中提取出来的数据中随机抽取少量的含有标签的数据作为训练CNN的数据。

步骤4构建卷积神经网络，以步骤2中提取的原始空谱特征为输入，采用一维向量作为卷积核，每层卷积层后边连接一层pooling层，根据谱空间维数适当选择卷积层数。网络的全连接层后连接softmax层计算输出，反馈误差。卷积层的数量为两到三层，每层的卷积核数量为10—20个，卷积核的尺寸选取3、5、7比较合适。

4a)卷积层，卷积层正向运算公式为：

$>x_j^l=f\left(\underset{i\in M_j}{\Sigma }{x}_i^{l-1}*k_{ij}^l+\right)b_j^l$>

卷积层逆向误差传播公式为：

>

上述公式中，l表示层数，ij分别表示上一层和当前层的映射编号，表示可学习的卷积核，b表示偏执，M_j表示对输入的选择，在本发明中，是采用全连接的结构(当前层的一个映射与前一层所有映射均相连)，*表示卷积操作，o表示按元素相乘，up(·)表示上采样操作。在灵敏度计算出来之后，可以按照下述公式计算卷积核和偏置的偏导：

$>\frac{\partial E}{\partial b_j}=\underset{u,v}{\Sigma }{\left({\delta }_j^l\right)}_{uv}$>

$>\frac{\partial E}{\partial k_{lj}^l}=\underset{u,v}{\Sigma }{\left({\delta }_j^l\right)}_{uv}{\left(p_i^{l-1}\right)}_{uv}$>

计算出卷积核和偏置的偏导之后即可更新卷积核和偏置。

4b)pooling层，该层的正向运算是简单的下采样操作，逆向误差传播公式为：

$>{\delta }_i^l={\Sigma }_{j=1}^M{\delta }^{l+1}*k_{ij}$>

如果下一层不是卷积层，那么误差传播方式与BP网络误差传播方式相同。

4c)激励函数，为了提高训练速度，本发明中采用了不饱和的激励函数：

f(x)＝max(0，x)

比起饱和的反正切函数、sigmoid函数等，该不饱和函数收敛的更快，训练起来更加省时间。

4d)softmax层，该层的正向计算公式和偏导计算公式如下：

$>y=-\underset{ij}{\Sigma }\left(x_{ijc}-\log \underset{d=1}{\overset{D}{\Sigma }}{e}^{x_{ijd}}\right)$>

$>\frac{dz}{{\mathrm{dx}}_{ijd}}=-\frac{dz}{dy}({\delta }_{d=c}-y_{ijc})$>

上述公式中的c表示当前样本数据真实类别的编号，一共有D个类别。步骤5在网络训练数据上采用随机梯度下降法训练网络参数，每次随机取20-25个样本，训练完成之后该深度卷积网络可自主提取高光谱图像的空谱特征。

步骤6移除已训练好的卷积神经网络的softmax层，保留全连接层及以前的部分，保留下来的部分可以作为空谱特征提取器，让所有的高光谱图像数据穿过该网络，全连接层的输出即为学习到的深度空谱特征。

步骤7对提取到的深度空谱特征进行归一化操作。

步骤8将步骤3中选取的网络训练数据通过卷积网络得到的深度空谱特征作为分类器训练数据，利用该数据训练RBF-SVM分类器，训练完成的RBF-SVM分类器与移除softmax层的卷积网络一起构成了一个能够自主提取高光谱图像空谱特征并对其进行分类的结构。