[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

说明书

本发明公开了一种基于深度多层次表示学习的高光谱图像波段选择方，该方法将自表达模型嵌入深度卷积自动编码器的不同层中，通过引入多层次表示学习来考虑高光谱图像的低级和高级信息，以学习信息更加丰富的子空间聚类表示，再对多层次表示学习构造了一个新的辅助自监督任务来进一步提高编码器的表示能力，然后设计融合模块用于融合多层表示学习不同层提取的多尺度信息，以学习更具区分性的自表达系数矩阵，并对自表达系数矩阵加入最大熵正则化来加强每个子空间内的连通性，以使同一子空间的元素均匀而密集地分布。该方法可以作为一种基于自监督深度多层次表示学习融合最大熵子空间聚类的高光谱图像波段选择有效手段，在高光谱图像分类、目标检测等方面具有重要的应用价值。

技术领域

本发明涉及高光谱图像波段选择技术领域，尤其涉及一种基于自监督深度多层次表示学习融合最大熵子空间聚类的高光谱图像波段选择方法。

背景技术

高光谱图像通常包含数百个极窄且连续、具有精细分辨率的波段。由于丰富的空间和光谱信息的可用性，面向高光谱图像处理的技术已成为众多领域中最有前途的技术之一，包括精确农业、食品安全、环境监测和目标检测等。然而，高光谱图像的波段强相关性、高维性导致了大量冗余、沉重的计算和存储负担以及维数灾难问题。因此，降维对高光谱图像的处理和分析具有重要意义。波段选择是一种有效的高光谱图像降维技术。

近年来，基于自表示的子空间聚类模型在无监督波段选择方面取得了显著的成果，因为在基于自表示的框架下，在低维子空间中准确地学习波段的聚类结构，使其对噪声和异常值具有鲁棒性，并能有效地对高维数据进行聚类。这类方法通常是将原始高光谱图像集中于线性子空间聚类，无法捕获高光谱图像的非线性特征；另外，这类方法不考虑空间信息，无法取得优异的聚类性能。此外，基于深度学习的子空间聚类方法被引入到波段选择中，能够以端到端可训练的方式学习高光谱图像的非线性特征。尽管这类方法考虑了波段图像固有的空间信息，但也存在一定的局限性。首先，由于这类方法中的表示学习是嵌入到深度卷积自动编码器中的，因此模型的表示能力缺乏有效的监督。其次，这类方法中未考虑输入波段图像的低级和高级信息的子空间聚类表示，忽略了嵌入在深度卷积自动编码器不同层中的重要多尺度信息，浪费了大量有利于聚类的深层卷积特征。此外，这类方法忽略了子空间内的连通性，阻碍了聚类性能的进一步提高。

发明内容

根据现有技术存在的问题，本发明公开了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，具体包括如下步骤：

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。

进一步的，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