[发明专利]一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法

说明书

本发明公开了一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，包括：将高光谱图像数据进行预处理；将预处理后的高光谱图像数据进行数据集获取与划分，获取到训练样本集和测试样本集；构建基于过参数化深度卷积核的卷积神经网络；构建基于全局稠密残差特征融合的浅层分类模型；初始化融合模型的权重参数；训练浅层分类模型，得到高光谱图像分类模型；对测试样本集进行预测，得到分类结果。本发明有效提高了浅层网络模型对特征利用率，解决了高光谱遥感影像分类在构建深度网络易出现过拟合的问题，在使用有限卷积层的条件下实现较优分类的同时，实现了模型的轻量化。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法。

背景技术

遥感图像处理技术以其灵活性高、再现性好等优点在生产、生活中发挥着日益重要的作用。高光谱图像处理技术是该领域的重要分支，在众多高光谱图像处理技术中，高光谱图像分类技术一直是研究重点和热点之一。利用高光谱图像分类技术，可获取农作物分布与生长情况，从而达到有效的、科学的农业管理；可对城市房屋、路面等进行准确识别与分类，从而为城市规划等方面提供帮助。

传统高光谱图像分类方法大致可分为依据地物光谱特性曲线的光谱匹配分类方法和基于数据统计特性分类方法，基于数据统计特性分类方法又可以根据其模型训练中是否需要有标记的样本分为监督分类、无监督分类。其中，无监督分类算法是指只有训练数据集，没有已标记分类结果的样本，只能靠计算机本身去分析数据特征。有监督分类算法是指将训练集样本及其对应的标签一起输入模型对模型的参数进行训练，这样得到的分类精度也必然会高，但是需要大量已标记样本。

近些年来，深度学习方法的优异性能使其在众多领域得到了广泛的研究。特别地，并根据研究领域的不同出现了各种衍生的网络结构。例如，在监督学习方向，循环神经网络、卷积神经网络以及图卷积神经网络在自然语言处理、计算机视觉和不规则数据处理等领域取得了优异的成就。为了得到更好的分类性能，现存的方法往往存在深度过深参数量过大的问题。但这往往需要消耗大量的计算资源和存储资源，这对于高光谱数据的边缘化处理来说都是不利的。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，其能够有效解决基于深度神经网络的高光谱遥感影像分类在存在参数量较大不适合遥感数据边缘化部署需求的缺点，并且保证了一定的分类精度。

技术方案：为实现上述目的，本发明提供一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，包括如下步骤：

S1：将原始高光谱影像进行预处理；

S2：将预处理后的高光谱影像进行切分并划分数据集，获取到训练样本集和测试样本集；

S3：构建过参数化深度卷积核；

S4：根据步骤S3的过参数化深度卷积核，构建基于过参数化深度卷积核的稠密残差网络；

S5：初始化步骤S4构建的网络模型的权重参数；

S6：使用步骤S2中获取的训练样本集来训练S5中得到网络模型，得到浅层高光谱影像分类模型；

S7：将S6中得到的高光谱影像分类模型对步骤S2中获取的测试样本集进行预测，得到最终分类结果。

本实施例中步骤S1中预处理包括归一化以及去冗余化处理，具体的处理方法如下：

A1：获取高光谱图像每个波段下的空间维B_i，求得该波段下数据平均值Ave_i和标准差S_i；

A2：按照下式计算得到每个波段下空间数据的归一化值N_i：