[发明专利]基于NSCT变换和DCNN的高光谱图像分类方法

摘要

本发明公开了基于NSCT变换和DCNN的高光谱图像分类方法，解决了现有技术中不能充分挖掘待分类高光谱图像纹理细节和方向性信息的问题。本发明的实现为：输入高光谱图像；进行NSCT变换；对变换后立体块归一化并进行取块操作；在样本集合中随机选取训练、验证和测试样本集；构造深度卷积神经网络，设置网络超参数；训练网络；测试样本输入网络得到实际分类标签，画地物分类结果图；分类标签与测试样本参考标签对比计算分类评价指标，画出训练和验证样本随迭代次数增加的损失曲线图，完成地物分类。本发明保留了高光谱图像更多的纹理细节、方向性和空间信息，分类更加准确，可应用于气象、环境监测、土地利用、城市规划及防灾减灾等。

主权项

一种基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，包括如下步骤：(1)输入任选的一幅尺寸为h×w×n待分类高光谱图像；(2)对该高光谱图像进行降维，对降维后的每一个主分量分别进行非下采样轮廓波变换，保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块；(3)对立体块进行归一化操作；(4)对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得到样本集合；(5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的10％为测试样本集，每一个样本均有各自的参考标签；(6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络，并用Softmax函数作为分类器，设置网络的超参数；(7)对深度卷积神经网络进行有监督训练，通过验证样本调整深度卷积神经网络的超参数并防止过拟合，得到训练好的深度卷积神经网络；(8)将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本分类的总体精度、平均精度以及Kappa系数，画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成高光谱图像的地物分类。