[发明专利]基于深度多层次表示学习的高光谱图像波段选择方法

权利要求书

1.一种基于深度多层次表示学习的高光谱图像波段选择方法，其特征在于包括：

采用深度堆叠卷积自动编码器作为主干网络，采用该主干网络对高光谱图像的非线性特征进行学习、并提取高光谱图像的空间信息；

将自表达模型嵌入深度堆叠卷积自动编码器的不同层中、对主干网络进行多层次表示学习、组合高光谱图像的低级和高级信息从而生成多组区别矩阵和一致性矩阵；

采用多层次表示学习方法构建自监督辅助任务，对多层次表示学习的特征表示进行自监督学习；

将经过多层次表示学习得到的多组区别矩阵和一致性矩阵沿通道维度叠加获得堆叠矩阵，对堆叠矩阵采用卷积核进行通道融合学习得到一个更具区别性的自表达系数矩阵；

将所述自表达系数矩阵加入最大熵正则化约束条件；

将高光谱波段图像和选择的波段数输入至主干网络，计算主干网络的总损失函数，通过梯度方法对主干网络进行训练，使用标准的反向传播技术更新主干网络参数直到主干网络停止训练，从而获得主干网络的自表达系数矩阵；

根据自表达系数矩阵构造亲和力矩阵，采用谱聚类方式得到聚类结果，根据该聚类结果获得高光谱图像每个类别中的平均波段；

将所述平均波段作为聚类中心，计算每个波段到聚类中心的距离，其中离聚类中心最近的波段为所选择的波段子集。

2.根据权利要求1所述的方法，其特征在于：所述主干网络的损失函数为：

设为W×H像素和B波段的原始三维高光谱立方体，波段选择的目标是选择一个波段子集

将编码器定义为z＝E(x；θ_e)，其中，z表示潜在表示或瓶颈，x和θ_e分别为数据点和编码器的参数，解码器定义为其中，和θ_d分别代表输入数据的重建和解码器的参数，深度堆叠卷积自动编码器的损失函数为：

3.根据权利要求1所述的方法，其特征在于：设高光谱B个波段图像位于n个子空间并集中，维数为并满足d₁+d₂+…+d_n＝B；

将自表达模型嵌入深度堆叠卷积自动编码器的不同层中、对主干网络进行多层次表示学习时：定义作为一致性矩阵和作为区别矩阵，则多层次表示学习的损失函数为：

其中，表示编码器的输出或潜在表示矩阵，m是深度特征维数。

4.根据权利要求1所述的方法，其特征在于：构建自监督辅助任务时：

给定多层次表示学习的一个输入和多层次表示学习的对应一组输出构造正样本对与负样本对，把和看作一对正对，即和被认为是匹配的，同时，将和作为负对，自监督损失函数为：

其中，σ是控制分布浓度水平的温度参数，和分别是和的标准化，和是通过L2归一化层实现的。

5.根据权利要求3所述的方法，其特征在于：对堆叠矩阵采用卷积核进行通道融合学习得到一个更具区别性的自表达系数矩阵时：将C_C和沿通道维度叠加获得堆叠矩阵C_S，使用卷积核k来整合堆叠矩阵C_S的通道，其中C_F代表自表达系数矩阵，代表卷积操作。

6.根据权力要求5所述的方法，其特征在于：自表达系数矩阵加入最大熵正则化约束的损失函数为：

其中，在情况下，对应的求和等于0。

7.根据权利要求5所述的方法，其特征在于：采用自表达系数矩阵构造亲和力矩阵为：