[发明专利]一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法

摘要

本发明公开了一种基于深度卷积神经网络的张量型高光谱图像光谱‑空间降维方法，首先，鉴于直接使用高波段的张量数据会使得深度卷积神经网络的参数空间大幅度增加，引入最大似然本征维估计算法和主成分分析对归一化高光谱图像的波段维进行降维，得到低波段的高光谱图像；然后，通过窗口领域，将低波段高光谱图像转化为张量型低波段高光谱图像，保持每个像素点的光谱和空间信息；最后，利用深度卷积神经网络对张量型低波段高光谱图像进行光谱‑空间降维，使得降维后的特征同时包括光谱信息和空间信息。本发明能有效地利用高光谱数据的光谱特征和空间领域特征获得较高的整体分类精度和Kappa系数。

主权项

1.一种基于深度卷积神经网络的张量型高光谱图像光谱‑空间降维方法，其特征在于，包括如下步骤：步骤1，对原始高光谱图像进行归一化；步骤2，用最大似然本征维估计算法计算归一化高光谱图像的波段本征维n；步骤3，用主成分分析将归一化高光谱图像的波段数降至n，得到低波段高光谱图像；步骤4，通过窗口领域，将低波段高光谱图像转化为张量型低波段高光谱图像Z；步骤5，将Z划分成训练集Ztrain与测试集Ztest；步骤6，用训练集Ztrain训练深度卷积神经网络，得到最优深度卷积神经网络模型DCNNoptimal；步骤7，用最优深度卷积神经网络模型DCNNoptimal对训练集Ztrain和测试集Ztest进行特征提取，得到原始高光谱图像的低维光谱‑空间训练集特征ztrain和测试集特征ztest；步骤8，用训练集特征ztrain及训练集标签Ytrain训练支持向量机，得到分类器SVMoptimal；步骤9，用分类器SVMoptimal对测试集特征ztest进行预测，得到预测标签Ypreidict；所述步骤1中，给定原始高光谱图像x_i表示第i个高光谱图像，其中m为原始高光谱图像的维数，N为原始高光谱图像的个数，归一化采用的计算方法为：式中，x_i′表示第i个归一化高光谱图像，x_ij表示第i个归一化高光谱图像中第j维的值，min(·)表示取最小值计算，max(·)表示取最大值计算；得到归一化高光谱图像所述步骤3中，给定归一化高光谱图像首先计算给定归一化高光谱图像的总体协方差矩阵S_cov：式中，表示归一化高光谱图像的均值；主成分分析的目的是使得投影后的协方差最大化，则其目标函数为：s.t.WPCATWPCA＝I式中，WPCA为特征投影矩阵，I为单位矩阵；假设λ为Scov的秩，则：Scov＝λWPCA；设λ1,λ2,…，λn为上式中前n个最大特征值，对应的特征向量为wPCA1,wPCA2,…,wPCAn，则采用主成分分析对归一化高光谱图像X′进行主成分特征提取，得到：X″＝(wPCA1,wPCA2,…,wPCAn)TX′＝WPCATX′式中，表示经过主成分分析后的低波段高光谱图像；所述步骤6中，利用训练集Ztrain训练七层深度卷积神经网络，其中七层结构分别为：第一层：输入层I1，深度卷积神经网络的输入数据为训练集Ztrain和训练集标签Ytrain；第二层：卷积层C2，设定30个特征图，卷积核大小为4×4；第三层：最大降采样层P3，设定降采样窗口大小为2×2，步长为2；第四层：卷积层C4，设定30个特征图，卷积核大小为4×4；第五层：最大降采样层P5，设定降采样窗口大小为2×2，步长为2；第六层：卷积层C6，设定30个特征图，卷积核大小为2×2；第七层：Soft‑max层；训练过程为：步骤6.1，随机初始化卷积核W和偏置b，前向计算，得到实际输出值步骤6.2，计算训练集输出标签与训练集标签Y_train的均方误差步骤6.3，计算均方误差对卷积核W的梯度和均方误差对偏置b的梯度步骤6.4，通过梯度下降算法调整卷积核和偏置，公式为：式中，W*和b*分别表示调整更新后的卷积核和偏置，α为学习率；步骤6.5，循环执行步骤6.2、6.3和6.4三个步骤10000次，得到最优深度卷积神经网络模型DCNNoptimal。