[发明专利]一种基于深度高分辨率的高光谱图像分类方法

说明书

本发明公开了一种基于深度高分辨率表示学习的高光谱图像分类方法，包括：获取待分类的高光谱图像；利用主成分分析法进行光谱降维；对光谱带中每个像素点取一个固定空间大小的立方体数据，通过一个高分辨率的卷积网络模块，并利用多分辨率网络和多尺度融合来提取特征；采用保持高分辨率表示的方法,从一个高分辨率网络开始,逐步增加高分辨率到低分辨率的子网络,并将多分辨率子网并行链接；采用重复的多尺度融合的方法，对每一个高到低分辨率的表示从其他平行表示反复的接受和融合信息来丰富高分辨率表示,得特征图输出；将特征图输入至全连接网络和Softmax得到预测分类结果。本发明通过一直保持高分辨率表示和重复的多尺度融合，实现了在低训练样本下对高光谱图像的准确分类。

技术领域

本发明属于图像处理技术领域，具体涉及基于深度高分辨率的高光谱图像分类方法。

背景技术

高光谱遥感技术是利用高光谱传感器,以连续细分的波段对目标区域同时成像,得到联合空-谱信息的高光谱图像。作为地球观测的重要手段，被广泛应用于精细化农业、环境监测、军事侦测等方面。高光谱图像是一个具有高维度的图像，含有丰富的光谱特征信息和空间特征信息,这不同于自然语言图像。通过将反射目标辐射的光谱波段信息与反映目标二维空间的图像信息整合在一起，能够获得统一的地物信息。然而，高光谱图像的高维特性、波段间高度相关性和光谱混合等特征使得其分类面临巨大挑战。因此，如何高效地提取高光谱图像的光谱和空间信息成为一个亟待解决的问题。

近年来，受视觉系统内在结构的启发，随着深度学习新技术的出现，使得高光谱图像分类得到了突破性的进展，典型方法就是卷积神经网络(Convolutional NeuralNetwork，CNN)。卷积神经网络作为深度学习中的一类重要算法，具有强大的特征学习能力，其结构特点非常适合解决图像领域问题，并在目标检测与追踪、图像分类等领域取得优异的性能。这其中最重要的一点就是高分辨率，当在维持着高分辨率的基础上，逐步的加入和融合低分辨率的信息，从而得到丰富信息特征表示来满足下游的图像分类任务。

发明内容

本发明要克服现有技术的上述缺点，提供基于深度高分辨率特征表示的高光谱图像分类方法，通过深度高分辨率表示模块构建特征提取网络得不同的输出分支，并使用逐级融合相加得到预测特征图，实现了低训练样本下对高光谱图像的准确分类。

为实现上述目的，本发明所采取的技术方案为：

一种基于深度高分辨率表示的高光谱图像分类方法，包括以下步骤：

步骤S1、获取待分类的高光谱图像；

步骤S2、利用主成分分析法对图像进行光谱降维预处理；

步骤S3、对进行处理后的光谱输入到深度高分辨率模块，在维持着原本的高分辨率的基础上，经过信息交互输出包括原尺寸在内的三个不同大小的特征图；

步骤S4、采用从上到下逐级融合相加的方法，融合三个不同大小特征图的空间信息，输出分类预测特征图；

步骤S5、将特征图通过Softmax得到针对待分类的高光谱图像的最终预测分类结果。

作为优选，步骤S2所述利用主成分分析法对高光谱图像进行光谱降维，包括：

S21.令获取的高光谱遥感图像的大小为W×H×L，其中W、H和L分别是图像的宽度、高度和通道数；

S22.重塑高光谱遥感图像至大小为L×N的输入数据X，且N＝W×H；

S23.计算输入数据X的协方差矩阵B；

S24.获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；

S25.建立主成分分析的优化目标函数如下：