[发明专利]波段显著度的深度空谱联合高光谱图像分类方法

说明书

本发明公开波段显著度的深度空谱联合高光谱图像分类方法，步骤：(1)读入高光谱图像；(2)基于流行保持弱冗余波段评价估计出各波段的显著度；(3)选取显著度高的波段形成优质波段集；(4)对优质波段集进行连续随机抽取，得到N组波段数目相同的低维子集；(5)将N组波段子集并行到深度随机块网络进行特征提取；(6)提取到N组多尺度深度显著空谱联合特征；(7)将N组特征进行级联，构成多尺度深度显著空‑谱联合特征集；(8)输入到支持向量机进行分类，实现基于数目有限的训练样本，且不需耗时训练深度网络的情况下并行地提取出可分性强的深度光谱‑空间融合特征，从而能够实现少样本量、低耗时、高精度的高光谱图像分类。

技术领域

本发明涉及高光谱图像分析与理解领域，具体地说，本发明涉及一种基于波段显著度的深度空谱联合高光谱图像分类方法。

背景技术

高光谱成像技术的发展，为我们提供了大量的具有“图谱合一”特点的高光谱图像。由于高光谱图像的数百精细光谱波段和丰富的空间结构信息，使其在土地利用情况调查、海洋监测、森林监测以及精细农业等领域具有巨大的应用潜力。为此，基于高光谱图像的分类技术成为研究热点。

近几年随着深度学习技术的发展，许多基于深度学习的高光谱图像分类技术相继被提出。这些方法的核心是通过大量的训练样本，力求训练出能够较好表达各类地物特征的深层网络，来提高图像的分类精度。因此，训练过程不仅耗时、而且将所有光谱同等地处理，忽略了噪声波段对所提特征的干扰。此外，对于遥感图像而言，样本的标注需要实地勘察，因此训练样本有限，难以满足训练深层结构网络的需求，从而不可避免的造成所训练模型的过拟合。

发明内容

为克服上述技术的缺陷与不足，本发明提出了一种基于波段显著度的深度空谱联合高光谱图像分类方法，旨在解决现有技术分类精度低、训练时间长、运算效率低、所需训练样本数目高的问题。

本发明为解决技术问题采用如下技术方案：

波段显著度的深度空谱联合高光谱图像分类方法，其特征在于，包括以下步骤：

步骤1：输入大小为r×c，含有d个光谱波段的高光谱图像表示实数集；

步骤2：通过基于流行保持-弱冗余波段评价方法，估计出各波段的显著度u＝[u₁,u₂,...,u_d]，其中，u_i代表第i(1≤i≤d)个波段的显著度；

(2-1)根据式(1)计算出波段间相似度矩阵S：

其中，s_ij表示位于矩阵S第i行、第j列的元素，x_i、x_j分别为X中第i个与第j

个像元，e_i,k+1表示遍历X所有波段，距离x_i第k+1个最小欧氏距离，e_i,t表示距离x_i第t个最小欧式距离，e_ij描述的是x_i与x_j间的欧氏距离；

(2-2)依据式(2)计算图矩阵L：

L＝(I-S)^T(I-S) (2)

其中，I为d×d的单位矩阵；

(2-3)对L+αI-αX^T(XX^T)^-1X进行特征值分解，其中，α为正则化参数；

(2-4)取特征值最大的前n个特征向量构成矩阵Z，其中，n通常设为0.9*d；

(2-5)依据式(3)得到矩阵A；