[发明专利]基于递归神经网络的高光谱图像分类方法

摘要

本发明公开了一种基于递归神经网络的高光谱图像分类方法，主要解决现有方法输入特征判别性较弱，局部空间特征提取不充分的问题，其实现步骤包括：1.提取高光谱图像的空间纹理特征和稀疏表示特征，并对其堆叠组合成低层特征；2.在低层特征上提取样本局部空间序列特征；3.根据局部空间序列特征构建递归神经网络模型，并利用训练样本局部空间序列特征训练递归神经网络模型参数；4.将测试样本局部空间序列特征输入训练好的递归神经网络模型，获得高度抽象的高层语义特征，得到测试样本的类别信息。本发明采用深度学习的方法，提高了高光谱图像分类的正确率，可用于植被调查，灾情监测，地图制作及情报获取。

主权项

1.一种基于递归神经网络的高光谱图像分类方法，包括：(1)输入一幅高光谱图像，该高光谱图像包括K个像素，B个高光谱谱段，c类地物，其中K＝K₁×K₂，K₁表示高光谱图像的长，K₂表示高光谱图像的宽，图像的每一个像素为一个样本，每个样本用一个特征向量表示，样本的特征维数即为B，在每类地物中选择10％的样本组成训练样本集，剩下90％的样本组成测试样本集；(2)采用Gabor滤波器对高光谱图像的主成分灰度图进行滤波，得到高光谱图像的空间纹理特征其中R表示实数域，g为空间纹理特征向量维数；(3)采用稀疏表示的方法计算高光谱图像中每个像素的稀疏表示系数，得到高光谱图像的稀疏表示特征其中m为稀疏表示特征向量的维数；(4)将高光谱图像的空间纹理特征F₁和稀疏表示特征F₂堆叠组合成高光谱图像的低层特征l为低层特征向量的维数，l＝g+m；(5)在高光谱图像低层特征矩阵F上，以每个样本为中心构建窗口，提取样本的局部空间特征块，并利用样本间的相似性构建样本的局部空间序列特征；(6)以窗口中样本个数为时间步长数构建递归神经网络模型，并输入训练样本的局部空间序列特征和对应的类别标签迭代训练递归神经网络模型参数，得到训练好的递归神经网络模型；(7)将测试样本的局部空间序列特征输入到训练好的递归神经网络模型中，得到分类类标，完成分类。