[发明专利]一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法

说明书

本发明公开了一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法,选择一定数目波段的高光谱遥感图像数据，对所选择的各波段二维图像数据进行空间均值滤波，再将每个像元对应的多波段数据进行格式转换，将一维矢量转换为一个方阵，即每个像元对应一个方阵数据。然后设计了基于深度学习模板的六层分类器，包括输入层，第一卷积层，最大池化层，第二卷积层，全连接层，输出层；提取若干个像元对应的方阵数据作为训练集，输入该分类器并对分类器加以训练；提取若干个像元对应的方阵数据作为测试集，输入至训练完毕的分类器中，观察训练器输出的分类结果，并与真实的分类信息相比对，验证分类器的性能。本发明的分类准确率比现有的5‑CNN方法更高。

技术领域

本发明属于遥感图像处理领域，涉及高光谱图像中不同地物类别的分类方法，具体涉及一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法。

背景技术

目前的高光谱遥感数据可以同时获取到几十甚至几百个光谱波段的信息，丰富的光谱信息极大的提高了识别和区分各类地物的能力。而且，随着高光谱传感器空间分辨率的提高，研究者可以通过高光谱遥感图像来分析小空间结构的地物。由于高光谱遥感图像的地表信息丰富，且覆盖范围广泛，具有多时相等特征，其应用技术也不断提高，目前已经被应用到以下许多方面：生态科学方面、地质科学方面、水文科学方面、军事应用方面、精细农业方面。

高光谱遥感图像在具有较高的空间分辨率的同时还有着很高的光谱分辨率，通常为纳米级。与传统的多光谱图像相比，高光谱图像具有波段数目多、数据量大的特点，有着更强的区分地物的能力。分类作为高光谱数据的基础研究，是人们从高光谱遥感图像上提取有用信息的重要途径，通常主要是通过对高光谱遥感图像数据在光谱维上进行分析，利用计算机快速地将图像中的每个像元划分为不同的地物类别。分类后的图像能够清晰的反映出各类地物具体的分布情况，从而达到对地物自动识别的目的，为应用部门提供服务。

单纯的利用光谱信息来进行分类，结果会出现许多噪点。这是因为高光谱遥感图像的空间分辨率不断提高，每个像元所代表的地物面积不断减小，从而导致光谱信息受到其他偶然因素的影响变大。而且随着空间分辨率的提高，高光谱遥感图像的像元之间的空间相关性变大，空间位置相邻的像元很有可能是属于同一类地物。所以，空间信息越来越成为高光谱遥感图像分类研究的重点。将空间信息引入到高光谱遥感图像分类中可以利用对分类有用的空间信息来弥补单纯利用光谱信息进行分类时存在的不足，从而可以提高分类的精度。

卷积神经网络(CNN，Convolutional Neural Networks)是在多层神经网络的基础上发展起来的针对图像分类和识别而设计的一种深度学习方法。在图像识别问题中，卷积神经网络有如下特点：一是使用了针对图像识别的特殊结构，考虑了图像的空间结构，可以快速训练。因为速度快，使得采用多层神经网络变得容易，而多层结构在识别准确率上又有很大优势。二是采用共享权重的方式，减少了神经元间大量的参数，训练速度得到很大提高。考虑到卷积神经网络的优点与高光谱遥感图像的特征，这里将深度学习直接应用到光谱领域，对高光谱数据进行分类。