[发明专利]基于三元权值卷积神经网络的高光谱图像波段选择方法

权利要求书

1.一种基于三元权值卷积神经网络的高光谱图像波段选择方法，其特征在于，包括如下步骤：

(1)获取高光谱图像的训练样本集和测试样本集：

(1a)从高光谱图像库中选取大小为S×H×L的待波段选择高光谱图像I，并以I中的每个像素为中心，划定大小为M×M的空间窗，得到S×H个空间窗，其中，S、H、L分别为I的宽、高、波段数，S＞100，H＞100，L≥100,7＜M＜27；

(1b)提取每个空间窗包含的所有像素组成的数据立方体，S×H个数据立方体组合成高光谱图像的样本集，并将其中随机选取的5％的样本作为高光谱图像的训练样本集，其余样本作为测试样本集；

(2)构建三元权值卷积神经网络：

(2a)构建权值矩阵为W^t的基于可分离卷积的波段选择层，W^t中每个元素三值化为1，0和-1，且每个元素与待波段选择高光谱图像的一个波段对应，其中，构建权值矩阵为W^t的基于可分离卷积的波段选择层的具体实现步骤为：

(2a1)设待构建的波段选择层中的输入节点数目为待波段选择高光谱图像I的波段数目L，L≥100；

(2a2)通过大小为1×1的卷积核对每个输入节点进行可分离卷积，并对其权值矩阵W中的每个元素按如下公式进行三值化，得到权值矩阵为W^t的基于可分离卷积的波段选择层：

其中，f(·)表示权值三值化函数，Δ表示阈值，Δ∈(0,1)；

(2b)构建包括由多个卷积层、多个池化层和多个批量归一化层级联堆叠的空谱联合信息提取层；

(2c)构建包括级联堆叠的多个全连接层，以及最后一个全连接层连接有Softmax层的分类层；

(2d)将波段选择层、空谱联合信息提取层和分类层顺次级联，得到三元权值卷积神经网络；

(3)计算三元权值卷积神经网络的损失C：

(3a)将训练样本集输入至三元权值卷积神经网络，得到训练样本集的预测标签z；

(3b)计算训练样本集预测标签z与真实标签x之间交叉熵的和C₀，并将其作为三元权值卷积神经网络的分类损失：

C₀＝∑[xln(z)+(1-x)ln(1-z)]

其中，ln表示以e为底的对数操作；

(3c)设待波段选择高光谱图像I中期望被选中的波段数目为n_b，n_b∈(0,L]，计算W^t中所有元素绝对值的和与n_b之间的二范数B，并将其作为三元权值卷积神经网络的波段数目损失：

其中||·||₂表示取二范数操作；

(3d)对分类损失C₀和波段数目损失B进行加权求和，并将其作为三元权值卷积神经网络的损失C：

C＝C₀+λB

其中，λ∈[0,1]表示B占三元权值卷积神经网络的损失的权重；

(4)通过对三元权值卷积神经网络进行训练获取高光谱图像的波段选择结果：

(4a)设置训练迭代次数为T，训练总迭代次数为Y，并令T＝1；

(4b)对三元权值卷积神经网络的权值进行初始化；

(4c)采用梯度下降法对三元权值卷积神经网络的空谱联合信息提取层和分类层的权值分别进行更新；

(4d)采用离散化梯度传播方法对三元权值卷积神经网络波段选择层的权值进行更新；

(4e)判断T是否等于Y，若是，得到训练好的三元权值卷积神经网络，该训练好的三元权值卷积神经网络中波段选择层的权值矩阵W^t中非0元素对应的波段即为高光谱图像被选中的波段，其余波段为高光谱图像未被选中的波段；

(4f)令T＝T+1，并按照步骤(3)的方法计算三元权值卷积神经网络的损失C，并执行步骤(4c)。

2.根据权利要求1所述的基于三元权值卷积神经网络的高光谱图像波段选择方法，其特征在于：步骤(2b)中所述的空谱联合信息提取层，其结构为：第一卷积层→第一池化层→第一批量归一化层→第二卷积层→第二池化层→第二批量归一化层→第三卷积层→第三批量归一化层。

3.根据权利要求1所述的基于三元权值卷积神经网络的高光谱图像波段选择方法，其特征在于：步骤(4d)中采用离散化梯度传播方法对三元权值卷积神经网络波段选择层的权值进行更新，包括如下步骤：

(4d1)按如下公式对权值三值化函数f(·)输出对输入的导数g_f进行近似：

其中表示求f(W)对W的导数；

(4d2)使用如下公式对波段选择层权值矩阵W^t进行更新：

其中(W^t)′表示更新后的权值矩阵，α表示学习率，α＞0。