[发明专利]基于可分离的三维残差网络和迁移学习高光谱图像分类方法

说明书

本发明涉及一种基于可分离的三维残差网络和迁移学习高光谱图像分类方法，首先，设计参数量较少的且适于高光谱图像特点的三维卷积网络。其次，设计不同传感器获取的高光谱图像间的迁移技术和三维卷积网络模型相结合，实现小样本条件下的高光谱图像高精度分类。实现了小样本条件下，高光谱图像深度特征的自主提取，高精度的分类。本发明与现有的基于深度学习的高光谱图像分类方法相比，网络模型更深，精度更高，且参数量更少。

技术领域

本发明涉及一种基于可分离的三维残差网络和迁移学习高光谱图像分类方法，属遥感图像处理领域。

背景技术

高光谱图像同时包含光谱信息和空间信息，在军事及民用领域都有着重要的应用。然而，高光谱图像的高维特性、波段间高度相关性、光谱混合等使得高光谱图像分类面临巨大挑战。近年来，随着深度学习新技术的出现，基于深度学习的高光谱图像分类方法得到了突破性的进展。但是，深度学习模型通常含有大量参数，需要大量的训练样本。而高光谱图像有标注的样本相对较少，难以完全满足深层次深度学习模型的训练，容易出现过拟合问题。且同源的高光谱图像数据集非常少，利用同源数据间的迁移学习来解决高光谱图像中的小样本问题也会受到诸多限制。因此，研究在小样本条件下实现高光谱图像高精度分类的深度模型一直是一项具有挑战性的任务。

高光谱图像分类问题旨在给定一副具有部分标注像素的图像，通过相关算法，预测出图像中所有像素对应的具体地物类别。传统的高光谱图像分类方法一般利用人工预设特征，例如SIFT，HOG，PHOG等，从高光谱图像中提取特征，然后借由多层感知器，支持向量机等模型来分类。但是这些人工预设特征的设计及选取依赖专业性知识，且很难选取一种有通用性的特征。

近年来，随着深度学习的兴起，完全数据驱动和不需要先验知识的深度神经网络在图像处理和计算机视觉等领域展现出了突出的优势，其应用范围涵盖了高级图像识别、中低级图像处理等诸多方面，例如目标识别、检测、分类和图像去噪、动态去模糊、重建等等。高光谱图像分类领域也引入了深度学习的相关技术，且取得了明显优于传统方法的分类效果。但是，受高光谱图像训练样本数量的限制，应用在高光谱图像分类中的深度学习模型相对较浅，尽管计算机视觉方面大量实验已经表明有效的增加深度对于提升分类表现非常有益。

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可分离的三维残差网络和迁移学习高光谱图像分类方法。首先，设计参数量较少的且适于高光谱图像特点的三维卷积网络。其次，设计不同传感器获取的高光谱图像间的迁移技术和三维卷积网络模型相结合，实现小样本条件下的高光谱图像高精度分类。

技术方案

一种基于可分离的三维残差网络和迁移学习高光谱图像分类方法，其特征在于步骤如下：

步骤1：数据预处理：对待处理的高光谱图像数据进行最大最小归一化，最大最小归一化公式如下：

步骤2：数据划分：对于预训练数据集，抽取所有有标注的样本作为预训练数据集；对于目标数据集，每个类别抽取10-20个样本作为训练集，剩余的部分作为测试集；抽取样本的具体做法：对于一个尺寸为M×N×L的三维高光谱图像数据，M，N分别表示高光谱图像的高和宽，L表示数据的波段数，抽取样本时，以待处理像素为中心，抽取S×S×L的数据块作为中心像素的样本数据，S表示邻域大小；

步骤3：构建可分离的三维残差网络模型，包括特征提取和分类两部分：

1)特征提取部分，输入数据先依次通过一个不对称的三维卷积层，归一化层batchnormalization，激励函数ReLU及池化层；再依次经过宽度为32，64，128，256的四个可分离三维残差网络模块进一步提取深度特征；所述的不对称三维卷积层采用结构不对称的三维卷积核，该卷积核在光谱维尺寸大于空间维尺寸；所述的池化层采用了三维最大池化操作；