[发明专利]基于卷积神经网络及空谱信息融合的高光谱图像分类方法

说明书

技术领域

本发明涉及高光谱图像处理技术领域，具体涉及一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法。

背景技术

高光谱遥感数据结合了光谱技术与成像技术，得到二维空间数据与一维光谱数据联合的三维数据块，并具有高光谱分辨率、高空间分辨率的“双高特性”。高光谱数据对于空间目标探测、土壤成分分析、植被种类识别等方面具有广泛的应用前景。因此，高光谱图像分类问题一直备受关注。传统的高光谱图像分类一般是利用光谱维的信息对像素点进行分类，常用的方法包括：支持向量机 (SVM)、K近邻算法(K-NN)、神经网络(ANN)、决策树(DT)与随机森林(RF)等。然而，单纯使用光谱特征信息进行分类，忽略与浪费了高光谱数据丰富的空间图像信息，很容易使分类结果出现“麻点”现象，分类精度不高。

目前，将光谱信息与空间信息结合进行高光谱数据分类的方法，主要包括两大类：基于形态学的方法和基于邻域模型的方法。基于形态学的方法主要是通过空间维特征提取的方式挖掘地物空间相关性的信息，然后与光谱维特征融合后进行分类。而基于邻域模型的分类方法是在模型构造时，就将地物空间分布的相关性考虑进去，主要包括马尔可夫随机场(MRF)算法、图像分割投票算法等。空谱信息融合对高光谱图像分类精度有显著的提升作用，然而这些空间信息提取与融合的方法比较复杂，并且参数设置受人为影响较大。

随着深度学习技术的快速发展，不少基于卷积神经网络的高光谱数据分类方法被提出。最近，Yushi Chen等人发表的论文(IEEE Transactions on Geoscience and Remote Sensing,Vol.54,No.10,2016)利用三维卷积神经网络，将高光谱图像进行分割后，对子三维数据块进行分类学习。这种方法很好的利用了光谱维与空间维的信息，分类精度很高，然而仍然存在着训练量大，耗时长，数据量小时训练困难的问题。

发明内容

有鉴于此，为了解决现有技术中的上述问题，本发明提出一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法，充分利用了光谱维与空间维信息，并且利用了运算较为简单的一维卷积神经网络，提升分类精度的同时，模型复杂度较低。

本发明通过以下技术手段解决上述问题：

一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法，包括如下步骤：

S1、提取高光谱图像每一像素点的X、Y轴坐标作为空间信息，并将空间信息与光谱信息合并，作为一个样品的特征信息；

S2、随机划分训练集与测试集数据；

S3、将包括空间信息与光谱信息的训练集样本放入一维卷积神经网络，训练分类模型；

S4、将包括空间信息和光谱信息的测试集样本放入分类模型，进行分类预测。

进一步地，S3中的卷积神经网络的具体结构与步骤如下：

S31、输入层：训练集样本F放入分类模型，将光谱维信息Spectral及空间维信息Spatial分别从空谱联合信息F中取出；

S32、卷积层：将Spectral信息放入一维卷积层进行进一步的特征提取，提取后的光谱信息输出记为Spectral’；

S33、融合层：融合Spectral’信息与Spatial信息；

S34、全连接层：融合层的输出进入全连接层；

S35、输出层：全连接层的输出进入输出层，预测分类结果。

进一步地，S32中的卷积层的具体结构与步骤如下：

S321：采用不同尺寸的卷积核进行特征提取，记为一个Inception模块；

S322：小尺度特征提取，进行小尺寸卷积核运算，卷积核大小为m₁×1×n，非线性激励函数为relu，记为Branch1层；

S323：中尺度特征提取，进行中尺寸卷积核运算，卷积核大小为m₂×1×n，记为Branch2层；

S324：大尺度特征提取，进行大尺寸卷积核运算，卷积核大小为m₃×1×n，非线性激励函数为relu，记为Branch3层；

m₁、m₂、m₃为自然数，符合m₁<m₂<m₃的关系；

S325：信息融合层，将Branch1层、Branch2层和Branch3层的输出进行信息融合；

S326：池化层，以大小为s的窗口进行最大值子采样；