[发明专利]一种基于空域-光谱维度转换的高光谱分类方法

说明书

本发明涉及基于空域‑光谱维度转换的高光谱分类方法，包括：对于原始高光谱数据集和相对应的标签向量数据集进行等间距不重叠划分；得到转换后的新训练集、新验证集、新测试集、新训练集标签、新验证集标签、新测试集标签；构建基于空域‑光谱维度转换的高光谱分类网络DSSFN；采用Adam算法进行迭代优化，得到分类性能最优的最优网络DSSFN；向最优网络DSSFN中输入测试集、新测试集和对应的测试集标签进行分类结果预测。本发明通过空域‑光谱维度转换，实现光谱全通道信息交互的全像素分类，充分利用光谱信息，提高稀缺高光谱数据的利用率和分类效率，网络的分支结构比较简单，具有较好的分类性能和较好的泛化能力。

技术领域

本发明涉及高光谱图像分类技术领域，尤其是一种基于空域-光谱维度转换的高光谱分类方法。

背景技术

目前，传统图像分类方法依赖手动设计计算模型获取图像的光谱特征、空间特征和空谱特征，例如：使用线性判别分析、独立成分分析、主成分分析等方法提取光谱特征；利用低秩表示、形态属性、灰度共生矩阵等方法提取空间特征；设计三维小波变换、三维Gabor变换、三维散射小波变换等方法获取空谱特征。然而，这些浅层或中层特征表达能力有限，已无法满足现代分类任务的高精度需求。

随着第一台航空光谱成像系统AIS-1的问世，高光谱遥感图像就以其具备的独特空域信息和光谱信息及其高空成像优势，受到了科研人员和国防部门的广泛关注。一方面，基于航天遥感技术的现代军事侦察手段，具有侦察范围广、不受地理条件限制、发现目标快、反隐蔽性能强等特点，能够为作战部队获取其他途径难以得到的军事情报。另一方面，随着中国高分5号、意大利PRISMA等民用高光谱遥感卫星的陆续发射，高光谱图像被广泛应用于自然资源勘探、环境污染监测和自然灾害评估中，高光谱图像处理技术在各行各业中都逐步体现出重要应用价值。

高光谱图像分类技术是高光谱图像处理技术中的重要组成部分，旨在利用高光谱图像中具备的独特空域信息和光谱信息，自动、准确地识别出地物目标的类别。随着深度学习技术的发展，研究人员基于不同种类的先进神经网络架构提出一系列高性能高光谱图像分类方法，例如：基于ResNet的方法、基于Inception的方法、基于DenseNet的方法和基于SENet的方法等。众多研究成果表明，一维、二维和三维卷积能够自动、有效地提取高光谱图像的光谱、空间和空谱特征。同时结合多分支特征提取结构，但是现有分类方法在公开数据集上的分类准确率已接近“饱和”状态。

现有基于深度学习的分类方法在数据集划分过程中大多以像素为中心进行图像块分割，随后将分割后的图像块划分为训练集和测试集。这种数据划分模式导致训练集和测试集中数据存在大量重叠区域，造成“信息泄露”，直接影响分类方法性能评估的可靠性，如训练像素再次被送入网络测试，结果表现为分类性能过于乐观。另外，基于中心像素的分类网络只能预测中心像素的类别信息，像素利用率低，浪费了本就数量不多的标记样本。并且在高光谱图像分类研究中，大多数方法都是基于空间-光谱联合方式提取特征，这些方法只能提取到相邻光谱上的信息，无法同时提取距离较远的非相邻光谱上的信息，无法充分利用光谱信息。

发明内容

本发明的目的在于提供一种实现对输入图像块中的每个像素进行分类预测，充分利用光谱信息达到提高稀缺高光谱数据的利用率和分类效率的基于空域-光谱维度转换的高光谱分类方法。

为实现上述目的，本发明采用了以下技术方案：一种基于空域-光谱维度转换的高光谱分类方法，该方法包括下列顺序的步骤：

(1)对于原始高光谱数据集和相对应的标签向量数据集进行等间距不重叠划分，得到训练集X1、验证集X2、测试集X3，以及训练集标签Y1、验证集标签Y2和测试集标签Y3；

(2)将划分好的训练集X1、验证集X2、测试集X3进行空域-光谱维度转换，得到转换后的新训练集X1_1、新验证集X2_1、新测试集X3_1；同时对训练集标签Y1、验证集标签Y2和测试集标签Y3进行维度转换，得到新训练集标签Y1_1、新验证集标签Y2_1、新测试集标签Y3_1；