[发明专利]基于NSCT变换和DCNN的高光谱图像分类方法

说明书

本发明公开了基于NSCT变换和DCNN的高光谱图像分类方法，解决了现有技术中不能充分挖掘待分类高光谱图像纹理细节和方向性信息的问题。本发明的实现为：输入高光谱图像；进行NSCT变换；对变换后立体块归一化并进行取块操作；在样本集合中随机选取训练、验证和测试样本集；构造深度卷积神经网络，设置网络超参数；训练网络；测试样本输入网络得到实际分类标签，画地物分类结果图；分类标签与测试样本参考标签对比计算分类评价指标，画出训练和验证样本随迭代次数增加的损失曲线图，完成地物分类。本发明保留了高光谱图像更多的纹理细节、方向性和空间信息，分类更加准确，可应用于气象、环境监测、土地利用、城市规划及防灾减灾等。

技术领域

本发明属于图像处理技术领域，涉及高光谱图像分类，具体是一种基于非下采样轮廓波(NSCT)变换和深度卷积神经网络(DCNN)的高光谱图像分类方法。可应用于气象监测、环境监测、土地利用、城市规划及防灾减灾等。

背景技术

高光谱遥感图像由于是对物体在大范围波段内连续成像，具有光谱分辨率高、蕴含信息丰富的优点，因此，高光谱图像在遥感领域得到了广泛的应用。高光谱图像分类在地质勘探、食品安全、环境监测等领域有着重要的应用，也是高光谱遥感领域其他应用的基础，其目的是对大范围波段连续成像的像元按照其语义划分为不同的地物类别。

近年来，随着计算机并行计算能力的快速提高以及各类数据数据量的指数级增长，深度神经网络作为一种强大的特征提取方法已受到国内外学者的广泛关注并已成功应用于图像、文本、语音、视频等数据的特征提取中且普遍取得了比传统方法更好的效果，因此也被引入到高光谱图像的分类中来。目前基于深度神经网络进行高光谱图像分类的方法有基于栈式自编码(SAE)的，基于深度置信网(DBN)的和基于深度卷积神经网络(DCNN)的。

Zhouhan Lin等人在其发表的论文“Deep Learning-Based Classification ofHyperspectral Data”(IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTHOBSERVATIONS AND REMOTE SENSING 2014)中使用SAE对高光谱图像进行分类，该方法将原始高光谱图像块取7×7小块，然后用主成分分析(PCA)对每一个小块在光谱维度进行降维，将降维后的图像拉伸成向量作为SAE的输入，用SAE提取非线性特征，最后用支持向量机(SVM)进行分类。

Tong Li等人在论文“Classification of hyperspectral image based on deepbelief networks”(IEEE Transactions on Image Processing 2014)中使用DBN对高光谱图像进行分类，该方法将图像用PCA降维后对每个像素取7×7小块，然后拉成向量再与原始像素向量进行拼接，这样得到的长向量作为深度置信网(DBN)的输入，最后用逻辑回归(LR)分类器进行分类。

SAE和DBN都需要输入的数据为一维的向量，因此，在使用SAE和DBN进行高光谱图像分类时都需要先将输入数据转化成一维的向量形式，DCNN可以允许二维图像的输入，因此在保留像素空间信息的情况下，DCNN具有更低的输入复杂度，因而在高光谱图像分类应用中使用得最为广泛。Konstantinos Makantasis等人在论文“Deep supervised learningfor hyperspectral data classification through convolutional neural networks”(IEEE IGARSS 2015)中使用DCNN对高光谱图像进行分类，该方法首先对原始高光谱图像使用随机化主成分分析(R-PCA)进行降维，然后对降维后的图像进行取块，划分训练集、验证集和测试集，最后将训练集用于DCNN的训练。