[发明专利]基于NSCT变换和DCNN的高光谱图像分类方法

权利要求书

1.一种基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，包括如下步骤：

(1)输入任选的一幅尺寸为h×w×n待分类高光谱图像；

(2)对该高光谱图像进行降维，对降维后的每一个主分量分别进行非下采样轮廓波变换，保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块；非下采样轮廓波变换，按照如下步骤进行：

(2a)对原始高光谱图像在光谱方向上使用主成分分析进行降维操作，保留前3个主分量；

(2b)对降维后得到的3个主分量分别进行3级非下采样轮廓波变换，第k级变换是对第k-1级NSCT变换得到的低频子带系数矩阵进一步分解得到的，经过第k级变换得到1个低频子带系数矩阵和2^k个高频子带系数矩阵，每一个子带系数矩阵的尺寸均为h×w，k＝1,2,3；

(2c)仅保留每一级变换的高频子带系数矩阵，将所有的高频子带系数矩阵在第三个维度进行叠加得到第三个维度的维数c，c＝3×(2¹+2²+2³)＝42维，最终得到一个尺寸为h×w×c的立体块；

(3)对立体块进行归一化操作；

(4)对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得到样本集合；取块操作，按照如下步骤进行：

(4a)对高频子带系数矩阵叠加得到的立体块外围进行2层0填充操作，得到一个尺寸为(h+4)×(w+4)×c的立体块；

(4b)以每个像素点为中心，用5×5的滑动窗对立体块进行取块操作，所取块的尺寸为5×5×c；

(4c)剔除中心像素点的类别标签值为0的块，完成取块操作；

(5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的10％为测试样本集，每一个样本均有各自的参考标签；

(6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络，并用Softmax函数作为分类器，设置网络的超参数；

(7)对深度卷积神经网络进行有监督训练，通过验证样本调整深度卷积神经网络的超参数并防止过拟合，得到训练好的深度卷积神经网络；

(8)将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本分类的总体精度、平均精度以及Kappa系数，画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成高光谱图像的地物分类。

2.根据权利要求1所述基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(6)所述的深度卷积神经网络网络超参数设置，按照如下步骤进行：

(6a)设置每一层卷积层卷积核的尺寸为3×3，第一卷积层的卷积核个数为3×c，第二卷积层的卷积核个数为6×c，第三卷积层的卷积核个数为6×c，第四卷积层的卷积核个数为9×c，第一全连接层神经元个数为6×c，第二全连接层神经元个数为3×c，其中第一卷积层和第二卷积层在进行卷积之前对输入进行1层0填充操作；所有卷积操作的步长均为1；

(6b)随机初始化网络的连接权重W和偏置b，设置初始学习率为0.005，最大迭代次数为500，提前终止的参数Patience为40，批的大小为512。

3.根据权利要求1所述基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(7)所述的有监督训练过程，按照如下步骤进行：

(7a)将每一个块的中心像素所对应的标签值转化成one-hot形式的类别标签向量，即对于C类的类别标签向量[C₁,C₂,…,C_k,…C_n]，若中心像素对应得类别为k，则该类别标签向量只有C_k为1，其余元素均为0；

(7b)将训练样本分批输入到DCNN中，对应的类别标签向量作为分类器的参考输出；

(7c)计算网络的实际输出；

(7d)使用交叉熵损失函数计算实际输出与参考输出之间的误差，并通过自适应梯度来更新DCNN的W和b；

(7e)使用验证样本对网络训练情况进行监测以调整网络的超参数，使用提前终止策略来防止网络过拟合，每进行一次迭代，计算一次验证样本的分类精度，记录下最佳的分类精度，当验证样本的分类精度在40次内不再提高时停止训练。