[发明专利]一种高光谱图像空谱联合分类方法及装置

说明书

本发明公开了一种高光谱图像空谱联合分类方法及装置，该方法包括：对输入的高光谱图像数据进行归一化处理，经过第一预处理后得到提取光谱特征的训练样本集Ssubgt;1/subgt;以及经过第二预处理得到提取空间特征的训练样本集Ssubgt;2/subgt;，分别提取高光谱图像的光谱信息和多尺度的空间信息；将提取到的光谱特征和多尺度的空间特征联结起来，输入到能够变形卷积神经网络中以提取高级特征；将提取的高级特征输入到全联接网络和softmax分类器中进行分类。本发明采用可变形卷积网络进一步抽取更高级别的空谱特征，实现了小样本条件下，高光谱图像深度特征的自主提取，提高了高光谱图像的分类精度。

技术领域

本发明涉及一种高光谱图像的分类方法，尤其涉及一种基于可变形卷积神经网络的高光谱图像空谱联合分类方法，属于遥感信息处理技术领域。

背景技术

由高光谱传感器的探测感知机理可知，高光谱数据中蕴含了地物丰富的空间及光谱信息，具有光谱分辨率高、成像波段多、信息量大等特点。因此，高光谱图像广泛应用于军事、农业、医学、矿采等诸多领域。对高光谱图像中的地物进行分类识别是辅助研究人员快速理解高光谱图像中所包含信息的重要手段。

虽然高光谱图像等光谱分辨率高，但是相对于多光谱、全色等类型的图像而言空间分辨率依然较低。在此情景下，大量城市地物像元是混像元。由于城市区域不同类型的地物高密度的混合在一起，造成了同一类地物的类内差异大，不同地物的类间差距小，这些因素给城市区域的高光谱分类带来了很大挑战。

在此背景下，研究了一种基于可变形卷积神经网络的高光谱图像空谱联合分类方法。针对高光谱图像存在类内差异的问题，对每一类样本用k-means算法进行类内聚类选取具有代表性的训练样本；在高光谱图像分类任务中设计了多尺度空间-光谱联合网络和可变形卷积网络，自主提取高光谱图像的空谱特征，使得通过高光谱遥感获取的丰富信息被充分利用，对现实应用有着重要的意义。

发明内容

本发明所要解决的技术问题在于提供一种基于可变形卷积神经网络的高光谱图像空谱联合分类方法。该方法针对城市区域高光谱图像类内差异大的特点，首先对不同类别的样本作类内聚类，选择具有代表性的训练样本；然后充分结合高光谱图像的光谱信息和多尺度的空间信息，利用可变形卷积神经网络能适应几何形变的特点，提升网络性能及高光谱图像的分类精度。

为实现上述的发明目的，本发明采用下述的技术方案：

根据本发明的第一方面，一种高光谱图像空谱联合分类方法，包括如下步骤：

对输入的高光谱图像数据进行归一化处理；

分别将归一化处理后的高光谱图像经过第一预处理后以得到提取光谱特征的训练样本集S1以及经过第二预处理以得到提取空间特征的训练样本集S2；

通过多尺度空间-光谱联合网络从所述样本集S1中提取光谱特征及从所述样本集S2中提取空间特征；

将提取到的光谱特征和多尺度的空间特征联结起来，输入到能够适应几何形变的可变形卷积神经网络中，以提取高级特征；以及

经可变性卷积网络将提取的高级特征输入到全连接网络分类器中进行分类，以得到基于可变形卷积神经网络的高光谱图像空谱联合分类结果。

进一步的，所述对输入的高光谱图像数据进行归一化处理的步骤包括通过以下公式进行归一化处理：

其中，y(i,j,k)表示高光谱图像中第k个波段中位置坐标为(i,j)的一个像元，max(y_k)和min(y_k)分别表示三维高光谱图像在第k个波段的最大值和最小值。

进一步的，所述将归一化处理后的高光谱图像经过第一预处理后以得到提取光谱特征的训练样本集S1的步骤包括：