本發(fā)明涉及的是一種圖像分類方法，特別是一種聯(lián)合三邊濾波器和深度學(xué)習(xí)理論的高光譜圖像分類方法。

背景技術(shù)：

高光譜遙感利用很多很窄的電磁波段從感興趣的物體獲取圖像數(shù)據(jù)，一般從可見光到熱波紅外波段范圍內(nèi)設(shè)置了幾十到數(shù)百個(gè)連續(xù)波段，其光譜分辨率可高達(dá)納米數(shù)量級(jí)。對(duì)于每一個(gè)被記錄的像素，豐富的光譜信息可以提供觀測(cè)地表的完整的光譜描述和特性，因此在物質(zhì)辨別時(shí)可以被看作是一個(gè)有效的工具。目前高光譜成像已經(jīng)成為一種重要的遙感成像探測(cè)手段，其本質(zhì)在于能夠同時(shí)提供地物分布的空間信息和較高分辨率的光譜信息。雖然高光譜圖像數(shù)據(jù)有著比以往數(shù)據(jù)更顯著的優(yōu)勢(shì)和發(fā)展?jié)摿?，但在?duì)高光譜圖像數(shù)據(jù)進(jìn)行空間信息和光譜信息提取與應(yīng)用過程中，出現(xiàn)了很多技術(shù)上的難題，給研究者們帶來了巨大的挑戰(zhàn)。另一方面，在利用高光譜傳感器捕獲和傳輸高光譜圖像過程中，通常高斯噪聲和脈沖噪聲等會(huì)引入到圖像中，導(dǎo)致產(chǎn)生的圖像質(zhì)量下降，從而很大程度上制約圖像的分類精度。因此，如何有效地提高圖像質(zhì)量和提取像素的光譜-空間信息，從而實(shí)現(xiàn)高光譜數(shù)據(jù)的有效分類得到越來越廣泛的關(guān)注。

在對(duì)高光譜圖像分類中，去除圖像噪聲和提取光譜-空間特征尤為重要。這是因?yàn)樵肼晫?dǎo)致圖像的質(zhì)量嚴(yán)重退化，從而很大程度上制約圖像的分類精度。其次，在一個(gè)局部區(qū)域內(nèi)的像素通常代表相同的物質(zhì)和具有相似的光譜特性，因此綜合利用高光譜數(shù)據(jù)的空間信息被期待獲取更好的分類性能。然而，現(xiàn)有的文獻(xiàn)通常只利用了像素的光譜-空間信息，沒有考慮局部區(qū)域內(nèi)像素的幾何鄰近性，而且不能有效濾除退化圖像的高斯，斑點(diǎn)和脈沖噪聲等。

另一方面，目前大多較為流行的分類器通常被看作是淺層學(xué)習(xí)模型，例如線性支持向量機(jī)，邏輯回歸，最大似然分類器和稀疏表示基分類器等。然而這些分類器不能有效地提取光譜數(shù)據(jù)的高階特征。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種能夠提高光譜數(shù)據(jù)的分類性能的基于三邊濾波器和堆棧稀疏自動(dòng)編碼器的圖像分類方法。

發(fā)明是這樣實(shí)現(xiàn)的：

首先，使用三邊濾波器獲取平滑的圖像，提取所述圖像的像素的光譜-空間特征的同時(shí)濾除退化圖像的高斯、斑點(diǎn)和脈沖噪聲；

其次，使用改進(jìn)的堆棧稀疏自動(dòng)編碼器(SSA)進(jìn)行高階特征提?。?/p>

最后，利用隨機(jī)森林分類器進(jìn)行有監(jiān)督微調(diào)網(wǎng)絡(luò)和分類。

本發(fā)明還可以包括：

1、所述圖像為高光譜圖像。

2、所述三邊濾波器的像素更新公式為：

其中，t和v分別代表像素的坐標(biāo)，S_p代表像素t的鄰域的集合，δ_s、δ_r和δ_d分別為控制空間參數(shù)、幅值參數(shù)和脈沖參數(shù)，I(t)是初始圖像的中心像素，I(v)是鄰域窗口內(nèi)的像素，J(t)和J(j)分別是基于參考圖像的中心像素和鄰域窗口內(nèi)的像素，W_t是空間鄰近性加權(quán)相似性加權(quán)和脈沖加權(quán)的乘積，W_t進(jìn)一步表示為：

在執(zhí)行脈沖權(quán)重因子時(shí)，采用等級(jí)排序絕對(duì)差(Rank-Ordered Absolute Differences(ROAD))來確定樣本點(diǎn)是圖像的邊緣點(diǎn)或是被脈沖噪聲污染的像素點(diǎn)，相應(yīng)的計(jì)算公式如下：

d[t,v]＝|I(t)-I(v)|

r_f(t,v)＝f^th smallest d[t,v]

其中，r_f(t,v)代表增序排列的絕對(duì)差異值d[t,v]，即從小到大累計(jì)選取f個(gè)d[t,v]值，2≤g≤w²-2,w是窗口尺寸，在等式中，ROAD統(tǒng)計(jì)被用來度量中心像素和第g個(gè)鄰域像素的鄰近程度。

3、使用改進(jìn)的堆棧稀疏自動(dòng)編碼器進(jìn)行高階特征提取具體包括：

稀疏自動(dòng)編碼器嘗試提取隱藏特征以至譯碼層的重構(gòu)矢量近似于輸入層的輸入數(shù)據(jù)，即輸入矢量x∈R^D被映射到隱藏層和產(chǎn)生一個(gè)線性組成z∈R^S，然后采用一個(gè)非線性激活函數(shù)f(x)＝(1+exp(-x))^-1獲取輸出a，如下所示

z＝wx+b₁,a＝f(z)

其中，w∈R^S×D和b₁∈R^S×1分別代表輸入層到隱藏層的權(quán)重和偏置，D代表輸入數(shù)據(jù)維數(shù)、S代表隱藏層神經(jīng)元個(gè)數(shù)，為了驗(yàn)證是否獲取的重構(gòu)y近似于初始輸入，對(duì)獲取的a進(jìn)行譯碼，如下所示：

t＝va+b₂,y＝f(t)

其中，v∈R^D×S、b₂∈R^D×1分別代表隱藏層到輸出層的權(quán)重和偏置，初始輸入x和重構(gòu)y之間的最小誤差被計(jì)算；為了發(fā)現(xiàn)初始輸入的一些特定結(jié)構(gòu)和相關(guān)性，稀疏約束和權(quán)重懲罰項(xiàng)被添加到網(wǎng)絡(luò)中，目標(biāo)函數(shù)J如下所示：

其中，M是樣本個(gè)數(shù)，x_m和y_m分別代表第m個(gè)輸入和輸出，λ代表權(quán)重懲罰參數(shù)，η代表稀疏懲罰項(xiàng)的權(quán)重，代表l層的第i個(gè)隱層神經(jīng)元和l-1層的第j個(gè)輸入神經(jīng)元之間的連接權(quán)重；此外，代表隱藏單元的目標(biāo)平均激活函數(shù)r和隱藏神經(jīng)元i的平均激活函數(shù)

采用改進(jìn)的人工魚群智能優(yōu)化算法優(yōu)化每一層稀疏自動(dòng)編碼器的目標(biāo)函數(shù)，具體方案如下：

設(shè)魚群總數(shù)為n，每一條魚代表一個(gè)神經(jīng)網(wǎng)絡(luò)和任意兩條魚的差值和加性值仍然代表一個(gè)神經(jīng)網(wǎng)絡(luò)，稀疏自動(dòng)編碼器的優(yōu)化參數(shù)包括兩個(gè)權(quán)重矩陣[w]與[v]和閾值向量b；在當(dāng)前的位置，個(gè)體魚的食物濃度為Y＝1/E，兩個(gè)個(gè)體魚X_p和X_q之間的距離如下：

其中，輸出層神經(jīng)元個(gè)數(shù)是N，w_ij(p)和w_ij(q)分別代表人工魚X_p和X_q的參數(shù)矩陣[w]中第i行、第j列的元素，v_ki(p)和v_ki(q)分別代表人工魚X_p和X_q的參數(shù)矩陣[v]中第k行、第i列的元素，b_i(p)和b_i(q)分別代表人工魚X_p和X_q的閾值向量b中第i行的元素，b_k(p)和b_k(q)分別代表人工魚X_p和X_q的閾值向量b中第k行的元素，d_pq代表兩個(gè)個(gè)體魚X_p和X_q之間的距離。

覓食行為：w(p)是個(gè)體魚的當(dāng)前狀態(tài)，然后在視野范圍內(nèi)隨機(jī)地選擇一個(gè)新的狀態(tài)w(q)，如果食物濃度Y_q＞Y_p,w(p)按照公式被更新；否則，再一次選擇一個(gè)新的狀態(tài)來判斷是否滿足前進(jìn)條件，如果在執(zhí)行最大嘗試次數(shù)后仍然不滿足前進(jìn)條件，個(gè)體魚將按照公式w(pnext)＝w(p)+rand()×step+χ×(w_ij(best)-w_ij(l)),if(Y_q≤Y_p)執(zhí)行隨機(jī)行為，

其中，w(pnext)是個(gè)體魚的下一步狀態(tài)，rand()是[0,1]之間均勻地產(chǎn)生一個(gè)隨機(jī)數(shù)，w_ij(best)和w_ij(l)分別代表當(dāng)前最優(yōu)人工魚X_best和隨機(jī)魚X_l的參數(shù)矩陣[w]中第i行、第j列的元素，χ是黃金比例系數(shù)λ和偏移的乘積表示為：

其中，代表標(biāo)準(zhǔn)均勻分布的一個(gè)隨機(jī)值和取值區(qū)間為

利用模糊邏輯系統(tǒng)來動(dòng)態(tài)地調(diào)整視野距離V和移動(dòng)步長(zhǎng)M，魚群位置的分散度和迭代次數(shù)作為輸入變量，同時(shí)V和M作為輸出變量，分散性測(cè)度表達(dá)公式如下：

其中，魚群總數(shù)為n，k代表當(dāng)前迭代，和分別代表第k次迭代時(shí)的人工魚X_p和最優(yōu)人工魚X_best，D代表模糊系統(tǒng)的輸入變量即魚群之間的分散性，迭代和分散性度量被歸一化在0到1之間，如下所示：

K_Norm＝k/K_max

式中，K_Norm和D_Norm分別為將當(dāng)前迭代次數(shù)k與分散性D進(jìn)行標(biāo)準(zhǔn)正態(tài)化后的模糊系統(tǒng)輸入?yún)?shù)；K_max為最大迭代次數(shù)；D_min和D_max分別為每次迭代中分散性的最小值和最大值。

本發(fā)明將改進(jìn)的堆棧稀疏自動(dòng)編碼器和隨機(jī)森林分類器引入到高光譜數(shù)據(jù)分類中，作為一種深度學(xué)習(xí)架構(gòu)，改進(jìn)的堆棧稀疏自動(dòng)編碼器可以逐層地提取光譜數(shù)據(jù)的抽象的和有用的深層次特征，從而提高光譜數(shù)據(jù)的分類性能。

本發(fā)明提出的聯(lián)合三邊濾波器與堆棧稀疏自動(dòng)編碼器的分類方法不僅適用于對(duì)高光譜圖像進(jìn)行分類，同時(shí)也可以對(duì)其他圖像進(jìn)行分類。具有很強(qiáng)的可移植性，更易滿足圖像分類的需求。

本發(fā)明的優(yōu)點(diǎn)如下：

1)在計(jì)算相似性權(quán)重w_r過程中，使用的是基于雙樹復(fù)小波變換的參考圖像，而不是初始的高光譜圖像。這一步的實(shí)現(xiàn)可以提高灰度測(cè)度計(jì)算的穩(wěn)定性從而獲得更加準(zhǔn)確的結(jié)果。

2)在像素更新公式中，引入脈沖權(quán)重因子。通過綜合考慮像素的光譜相似性和幾何鄰近性，從而有效地獲得高光譜圖像的光譜和空間特征，同時(shí)最大限度地濾除圖像在產(chǎn)生和傳輸過程中產(chǎn)生的高斯噪聲和脈沖噪聲等。

3)利用改進(jìn)的稀疏自動(dòng)編碼器(ISA)逐層提取光滑圖像的特征表示，采用人工魚群智能優(yōu)化算法優(yōu)化ISA的目標(biāo)函數(shù)，從而降低傳統(tǒng)的反向傳播算法易于陷入局部極值的可能性同時(shí)加快算法的收斂速度。進(jìn)一步采用堆棧稀疏自動(dòng)編碼器自適應(yīng)地提取光譜數(shù)據(jù)的高階特征。為獲取最優(yōu)分類準(zhǔn)確度提供可能。

附圖說明

圖1是一幅光譜-空間信息聯(lián)合的高光譜圖像分類流程圖；

圖2是一幅人工魚群算法優(yōu)化稀疏自動(dòng)編碼器的流程圖；

圖3是人工魚模型；

圖4(a)-圖4(c)是模糊邏輯系統(tǒng)的輸入和輸出變量；

圖5是基于三邊濾波器和堆棧稀疏自動(dòng)編碼器的空譜聯(lián)合的高光譜圖像分類框架；

圖6(a)是印第安納農(nóng)場(chǎng)數(shù)據(jù)的九種地物的真實(shí)分布圖；

圖6(b)是基于對(duì)比算法OS-SVM的印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度圖；

圖6(c)是基于對(duì)比算法BF-SVM的印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度圖；

圖6(d)是基于對(duì)比算法TF-SVM的印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度圖；

圖6(e)是基于對(duì)比算法OS-SSAR的印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度圖；

圖6(f)是基于對(duì)比算法BF-SSARF的印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度圖；

圖6(g)是基于對(duì)比算法TF-SSARF的印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度圖；

圖6(h)是基于對(duì)比算法TF-ISSARF的印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度圖；

圖7(a)是肯尼迪航天中心數(shù)據(jù)的十三種地物的真實(shí)分布圖；

圖7(b)是基于對(duì)比算法OS-SVM的肯尼迪航天中心數(shù)據(jù)的總體分類精度圖；

圖7(c)是基于對(duì)比算法BF-SVM的肯尼迪航天中心數(shù)據(jù)的總體分類精度圖；

圖7(d)是基于對(duì)比算法TF-SVM的肯尼迪航天中心數(shù)據(jù)的總體分類精度圖；

圖7(e)是基于對(duì)比算法OS-SSARF的肯尼迪航天中心數(shù)據(jù)的總體分類精度圖；

圖7(f)是基于對(duì)比算法BF-SSARF的肯尼迪航天中心數(shù)據(jù)的總體分類精度圖；

圖7(g)是基于對(duì)比算法TF-SSARF的肯尼迪航天中心數(shù)據(jù)的總體分類精度圖；

圖7(h)是基于對(duì)比算法TF-ISSARF的肯尼迪航天中心數(shù)據(jù)的總體分類精度圖；

圖8(a)描述基于三邊濾波器的空間參數(shù)，幅值參數(shù)和脈沖參數(shù)對(duì)印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度的影響；

圖8(b)描述基于三邊濾波器的空間參數(shù)，幅值參數(shù)和脈沖參數(shù)對(duì)肯尼迪航天中心數(shù)據(jù)的總體分類精度的影響；

圖9(a)描述基于三邊濾波器的空間鄰近性加權(quán)的窗口尺寸對(duì)印第安納農(nóng)場(chǎng)數(shù)據(jù)的總體分類精度的影響；

圖9(b)描述基于三邊濾波器的空間鄰近性加權(quán)的窗口尺寸對(duì)肯尼迪航天中心數(shù)據(jù)的總體分類精度的影響。

具體實(shí)施方式

下面舉例對(duì)本發(fā)明做更詳細(xì)的描述。

首先，在執(zhí)行高光譜圖像分類之前，使用三邊濾波器獲取平滑的高光譜圖像。提取像素的光譜-空間特征的同時(shí)濾除退化圖像的高斯、斑點(diǎn)和脈沖噪聲等。

其次，使用改進(jìn)的堆棧稀疏自動(dòng)編碼器(SSA)進(jìn)行高階特征提取。

最后，利用隨機(jī)森林分類器進(jìn)行有監(jiān)督微調(diào)網(wǎng)絡(luò)和分類。

本發(fā)明提出的聯(lián)合三邊濾波器與堆棧稀疏自動(dòng)編碼器的分類方法不僅適用于對(duì)高光譜圖像進(jìn)行分類，同時(shí)也可以對(duì)其他圖像進(jìn)行分類。具有很強(qiáng)的可移植性，更易滿足圖像分類的需求。

本發(fā)明具體包括：

1、本發(fā)明提出運(yùn)用三邊濾波器對(duì)初始的退化圖像進(jìn)行平滑濾波。提出的三邊濾波器的像素更新公式如下所示：

其中，t和v分別代表像素的坐標(biāo)。S_p代表像素t的鄰域的集合。δ_s,δ_r和δ_d分別控制空間參數(shù)，幅值參數(shù)和脈沖參數(shù)。I(t)是初始圖像的中心像素和I(v)是鄰域窗口內(nèi)的像素。J(t)和J(j)分別是基于參考圖像的中心像素和鄰域窗口內(nèi)的像素。W_t是空間鄰近性加權(quán)相似性加權(quán)和脈沖加權(quán)的乘積，可以進(jìn)一步表示為：

在執(zhí)行脈沖權(quán)重因子時(shí)，采用等級(jí)排序絕對(duì)差(Rank-Ordered Absolute Differences(ROAD))來確定樣本點(diǎn)是圖像的邊緣點(diǎn)或是被脈沖噪聲污染的像素點(diǎn)。相應(yīng)的計(jì)算公式如下：

d[t,v]＝|I(t)-I(v)| (3)

r_f(t,v)＝f^th smallest d[t,v] (4)

其中，r_f(t,v)代表增序排列的絕對(duì)差異值d[t,v]，即從小到大累計(jì)選取f個(gè)d[t,v]值。2≤g≤w²-2,w是窗口尺寸。在等式(5)中，ROAD統(tǒng)計(jì)被用來度量中心像素和第g個(gè)鄰域像素的鄰近程度。

通常，如果圖像內(nèi)不存在噪聲像素，在鄰域窗口內(nèi)大部分像素點(diǎn)展現(xiàn)相似的強(qiáng)度值和產(chǎn)生低的ROAD值。相反，如果像素被脈沖噪聲污染，被污染像素的光譜強(qiáng)度和鄰域像素存在較大差異，導(dǎo)致產(chǎn)生高的ROAD函數(shù)值。特別地，如果圖像中至少存在一個(gè)噪聲樣本或者產(chǎn)生高的ROAD值，此時(shí)脈沖權(quán)重被激活和通過公式(1)更新當(dāng)前的像素值。相反地，如果圖像中不存在脈沖像素或者高的ROAD值，脈沖權(quán)重因子被抑制，即w_d＝0，此時(shí)使用雙邊濾波器對(duì)初始圖像進(jìn)行平滑濾波。

2、利用上述三邊濾波器獲取平滑的高光譜圖像后，提出一種改進(jìn)的堆棧稀疏自動(dòng)編碼器自適應(yīng)地提取平滑圖像的高階特征表示。

具體實(shí)現(xiàn)如下所示：

稀疏自動(dòng)編碼器嘗試提取隱藏特征以至譯碼層的重構(gòu)矢量近似于輸入層的輸入數(shù)據(jù)。即輸入矢量x∈R^D被映射到隱藏層和產(chǎn)生一個(gè)線性組成z∈R^S，然后采用一個(gè)非線性激活函數(shù)f(x)＝(1+exp(-x))^-1獲取輸出a，如下所示.

z＝wx+b₁,a＝f(z) (6)

其中，w∈R^S×D(D代表輸入數(shù)據(jù)維數(shù)和S代表隱藏層神經(jīng)元個(gè)數(shù))和b₁∈R^S×1分別代表輸入層到隱藏層的權(quán)重和偏置。進(jìn)一步，為了驗(yàn)證是否獲取的重構(gòu)y近似于初始輸入，對(duì)獲取的a進(jìn)行譯碼，如下所示：

t＝va+b₂,y＝f(t) (7)

其中，v∈R^D×S、b₂∈R^D×1分別代表隱藏層到輸出層的權(quán)重和偏置。初始輸入x和輸出y之間的最小重構(gòu)誤差被計(jì)算。特別地，為了發(fā)現(xiàn)初始輸入的一些特定結(jié)構(gòu)和相關(guān)性，稀疏約束和權(quán)重懲罰項(xiàng)被添加到網(wǎng)絡(luò)中，目標(biāo)函數(shù)J如下所示：

其中，M是樣本個(gè)數(shù)，x_m和y_m分別代表第m個(gè)輸入和輸出。λ代表權(quán)重懲罰參數(shù)和η代表稀疏懲罰項(xiàng)的權(quán)重。代表l層的第i個(gè)隱層神經(jīng)元和l-1層的第j個(gè)輸入神經(jīng)元之間的連接權(quán)重；此外，代表r(隱藏單元的目標(biāo)平均激活函數(shù))和(隱藏神經(jīng)元i的平均激活函數(shù))的相對(duì)熵。

如公式(8),通常采用梯度下降和反向傳播算法更新隱藏層的權(quán)重和偏置，從而實(shí)現(xiàn)優(yōu)化目標(biāo)函數(shù)J。然而，再進(jìn)行目標(biāo)函數(shù)優(yōu)化過程中，模型較難選取適當(dāng)?shù)某跏紮?quán)重和偏置，優(yōu)化過程易于陷入局部極值。為了尋址上述難題，本發(fā)明提出利用改進(jìn)的人工魚群智能優(yōu)化算法替代梯度下降和反向傳播算法，采用改進(jìn)的人工魚群智能優(yōu)化算法優(yōu)化每一層稀疏自動(dòng)編碼器的目標(biāo)函數(shù)。改進(jìn)的原因是由于人工魚群算法展現(xiàn)魯棒的追蹤性能，快的收斂速度和高的全局優(yōu)化能力。具體實(shí)施方案如下：

設(shè)魚群總數(shù)為n，每一條魚代表一個(gè)神經(jīng)網(wǎng)絡(luò)和任意兩條魚的差值和加性值仍然代表一個(gè)神經(jīng)網(wǎng)絡(luò)，稀疏自動(dòng)編碼器的優(yōu)化參數(shù)包括兩個(gè)權(quán)重矩陣[w]與[v]和閾值向量b；在當(dāng)前的位置，個(gè)體魚的食物濃度為Y＝1/E，兩個(gè)個(gè)體魚X_p和X_q之間的距離如下：

其中，輸出層神經(jīng)元個(gè)數(shù)是N，w_ij(p)和w_ij(q)分別代表人工魚X_p和X_q的參數(shù)矩陣[w]中第i行、第j列的元素，v_ki(p)和v_ki(q)分別代表人工魚X_p和X_q的參數(shù)矩陣[v]中第k行、第i列的元素，b_i(p)和b_i(q)分別代表人工魚X_p和X_q的閾值向量b中第i行的元素，b_k(p)和b_k(q)分別代表人工魚X_p和X_q的閾值向量b中第k行的元素，d_pq代表兩個(gè)個(gè)體魚X_p和X_q之間的距離。

本發(fā)明研究和改進(jìn)了魚群的四個(gè)生物學(xué)行為，包括覓食行為，聚群行為，跟隨行為和隨機(jī)行為。

覓食行為：w(p)是個(gè)體魚的當(dāng)前狀態(tài)，然后在視野范圍內(nèi)隨機(jī)地選擇一個(gè)新的狀態(tài)w(q)，如果食物濃度Y_q＞Y_p,w(p)按照公式(10)被更新；否則，再一次選擇一個(gè)新的狀態(tài)來判斷是否滿足前進(jìn)條件，如果在執(zhí)行最大嘗試次數(shù)后仍然不滿足前進(jìn)條件，個(gè)體魚將按照公式(11)執(zhí)行隨機(jī)行為。

w(pnext)＝w(p)+rand()×step+χ×(w_ij(best)-w_ij(l)),if(Y_q≤Y_p) (11)

其中，w(pnext)是個(gè)體魚的下一步狀態(tài)，rand()是[0,1]之間均勻地產(chǎn)生一個(gè)隨機(jī)數(shù)。本發(fā)明提出將χ×(w_ij(best)-w_ij(l))添加到魚群位置更新公式中，被稱作為全局最優(yōu)導(dǎo)向魚群搜索項(xiàng)。其中，w_ij(best)和w_ij(l)分別代表當(dāng)前最優(yōu)人工魚X_best和隨機(jī)魚X_l的參數(shù)矩陣[w]中第i行，第j列的元素。χ是黃金比例系數(shù)λ和偏移的乘積，如下所示：

其中，代表標(biāo)準(zhǔn)均勻分布的一個(gè)隨機(jī)值和取值區(qū)間為在這里從公式(12)可知，產(chǎn)生的新解沒有呆在相同的位置，而是轉(zhuǎn)移一個(gè)角度，從而使得個(gè)體魚在搜索空間內(nèi)獲得更多的位置信息。

另一方面，為了克服傳統(tǒng)人工魚群算法存在后期迭代收斂速度慢的不足，本發(fā)明提出利用模糊邏輯系統(tǒng)來動(dòng)態(tài)地調(diào)整視野距離(V)和移動(dòng)步長(zhǎng)(M)。在這個(gè)設(shè)計(jì)的系統(tǒng)中，魚群位置的分散度和迭代次數(shù)作為輸入變量。同時(shí)V和M作為輸出變量。分散性測(cè)度表達(dá)公式如下：

其中，魚群總數(shù)為n和k代表當(dāng)前迭代。和分別代表第k次迭代時(shí)的人工魚X_p和最優(yōu)人工魚X_best。D代表模糊系統(tǒng)的輸入變量即魚群之間的分散性。大體上，魚群越接近時(shí)分散性越低，反之亦然。在上述公式(13)中，歐式距離被用來測(cè)量個(gè)體魚和最優(yōu)魚之間的分散度。此外，為了方便計(jì)算，迭代和分散性度量被歸一化在0到1之間，如下所示：

K_Norm＝k/K_max (14)

式中，K_Norm和D_Norm分別為將當(dāng)前迭代次數(shù)k與分散性D進(jìn)行標(biāo)準(zhǔn)正態(tài)化后的模糊系統(tǒng)輸入?yún)?shù)；K_max為最大迭代次數(shù)；D_min和D_max分別為每次迭代中分散性的最小值和最大值。

需要注意的是，上述的位置信息更新規(guī)則同樣適用于聚群行為和跟隨行為。為了每一條魚，通過執(zhí)行上述描述的四種行為模式來搜索最優(yōu)解。然后，選擇最好的行為模式來更新當(dāng)前狀態(tài)。最后需要對(duì)公告板進(jìn)行更新，即人工魚的最優(yōu)狀態(tài)和最大的食物濃度被記錄在公告板上，在移動(dòng)之后每一條魚被更新，然后比較公告板和產(chǎn)生的新的狀態(tài)。如果人工魚的當(dāng)前狀態(tài)優(yōu)于公告板，公告板上的值將被替代。

在訓(xùn)練完每一個(gè)稀疏自動(dòng)編碼器之后，重構(gòu)層被移除和提取的特征保存于隱藏層，然后被用來作為下一個(gè)隱藏層的輸入，從而產(chǎn)生更高階特征。進(jìn)一步，通過堆疊多個(gè)非監(jiān)督特征學(xué)習(xí)層來構(gòu)建堆棧稀疏自動(dòng)編碼器。最后，隨機(jī)森林分類器被級(jí)聯(lián)到堆棧稀疏自動(dòng)編碼器的最后一層，當(dāng)訓(xùn)練分類器時(shí)對(duì)學(xué)習(xí)到的高階特征進(jìn)行有監(jiān)督的微調(diào)，然后通過最大投票規(guī)則判別測(cè)試集的類別標(biāo)簽。

圖1是一幅空譜聯(lián)合的高光譜圖像分類流程圖，在提出的三邊濾波器中，通過綜合考慮高光譜圖像的光譜和空間鄰近性從而產(chǎn)生光譜-空間信息特征集。獲得的平滑圖像可以有效地濾除高斯噪聲，斑點(diǎn)噪聲和脈沖噪聲等，同時(shí)保留圖像的細(xì)節(jié)信息。此外，本發(fā)明采用改進(jìn)的堆棧稀疏自動(dòng)編碼器和隨機(jī)森林分類器對(duì)獲取的平滑圖像進(jìn)行非監(jiān)督的訓(xùn)練和有監(jiān)督的微調(diào)與分類。所提出的深度學(xué)習(xí)機(jī)模型可以逐層地提取數(shù)據(jù)的抽象的和有用的高階特征表示，從而提高高光譜數(shù)據(jù)的分類性能。

圖2是一幅人工魚群算法優(yōu)化稀疏自動(dòng)編碼器的流程圖。在改進(jìn)的深度學(xué)習(xí)模型中，將全局最優(yōu)導(dǎo)向魚群搜索項(xiàng)和模糊邏輯規(guī)則引入到魚群行為模式中，實(shí)現(xiàn)優(yōu)化目標(biāo)函數(shù)J。該方法的提出可以保持魚群的多樣性并同時(shí)避免算法在后期迭代收斂慢的不足，從而有效地避免深度學(xué)習(xí)模型在優(yōu)化目標(biāo)函數(shù)過程中易于陷入局部極值，從而獲取全局最優(yōu)解。

圖3是一個(gè)人工魚模型，和為兩條任意魚，X_p為當(dāng)前人工魚，step為移動(dòng)步長(zhǎng)，visual為其感知范圍,然后在視野范圍內(nèi)隨機(jī)地選擇一個(gè)新的人工魚X_q，如果食物濃度值Y_q＞Y_p,人工魚X_p的當(dāng)前狀態(tài)w(p)被更新；如果人工魚X_q的新的狀態(tài)w(q)不比當(dāng)前狀態(tài)更優(yōu),則繼續(xù)巡視感知范圍內(nèi)的其它位置，來判斷是否滿足前進(jìn)條件。如果在執(zhí)行完最大嘗試次數(shù)后仍然不滿足前進(jìn)條件，個(gè)體魚將任意移動(dòng)一步。大體上，魚群移動(dòng)的最終目標(biāo)是通過執(zhí)行最優(yōu)的行為模式從而獲取最優(yōu)解。

參圖4(a)-圖4(c)，該圖被用來顯示模糊邏輯系統(tǒng)的輸入和輸出變量。系統(tǒng)中，魚群位置的分散度和迭代次數(shù)作為輸入變量。同時(shí)視野范圍和移動(dòng)步長(zhǎng)作為輸出變量。圖4(a)-圖4(c)中L,M,H,ML和MH分別代表低，中，高，中低和中高值。通常在早期迭代過程中，視野范圍和移動(dòng)步長(zhǎng)應(yīng)該取較大值以致搜索更大范圍和確保全局最優(yōu)化。然后，隨著迭代的進(jìn)行，視野范圍和移動(dòng)步長(zhǎng)應(yīng)該逐步降低以確保算法在鄰近全局最優(yōu)解范圍內(nèi)執(zhí)行最優(yōu)化，從而獲得高精度解。

圖5是基于三邊濾波器和堆棧稀疏自動(dòng)編碼器的空譜聯(lián)合的高光譜圖像分類框架。

首先，采用提出的三邊濾波器提高圖像質(zhì)量，即將空間信息整合到光譜域中同時(shí)降低由噪聲引起的退化現(xiàn)象。進(jìn)一步，采用改進(jìn)的堆棧稀疏自動(dòng)編碼器提取平滑的圖像的高階特征。最后，將獲取的抽象的高階特征作用于隨機(jī)森林分類器中，通過主要投票準(zhǔn)則獲取最終的分類結(jié)果。

圖6(a)-圖6(h)是一幅真實(shí)的高光譜圖像數(shù)據(jù)，這組數(shù)據(jù)由AVIRIS傳感器于1992年在美國(guó)印第安納州西北部的農(nóng)場(chǎng)上空獲取。AVIRIS數(shù)據(jù)包含224個(gè)波段，它的空間分辨率為20m和光譜覆蓋范圍為0.2～2.4μm。在去除20個(gè)水吸收波段和4個(gè)噪聲波段，剩余200個(gè)波段用于分類實(shí)驗(yàn)。整幅圖大小為144x144個(gè)像素點(diǎn),包含從20到2468個(gè)像素不等的16類地物。為了使實(shí)驗(yàn)分析更加顯著，七類關(guān)于小樣本的地物被移除和剩余的九類大樣本地物被保留。圖6(a)表示場(chǎng)景的真實(shí)地物分布，圖6(b)-(d)代表初始光譜數(shù)據(jù)集，來自于雙邊濾波器的空譜聯(lián)合特征和來自于提出的三邊濾波器的空譜聯(lián)合特征被分別送入到支持向量機(jī)分類器的分類圖(即分別表示為OS-SVM，BF-SVM，和TF-SVM)。圖6(e)-(g)代表初始光譜數(shù)據(jù)集，來自于雙邊濾波器的空譜聯(lián)合特征和來自于三邊濾波器的空譜聯(lián)合特征被分別送入到堆棧稀疏自動(dòng)編碼器和隨機(jī)森林分類器(即分別表示為OS-SSARF，BF-SSARF，和TF-SSARF)。最后，圖6(h)代表來自于三邊濾波器的空譜聯(lián)合特征被送入到改進(jìn)的堆棧稀疏自動(dòng)編碼器和隨機(jī)森林分類器(即為TF-ISSARF)。從圖6可以看出，相比于對(duì)比算法，所提出的TF-ISSARF方法獲得最好的分類圖(即圖6(h))。

圖7(a)-圖7(h)是一幅真實(shí)的高光譜圖像數(shù)據(jù)，這組數(shù)據(jù)同樣是由AVIRIS傳感器獲取得到的，它拍攝于1996年的美國(guó)肯尼迪航天中心上空。數(shù)據(jù)構(gòu)成特點(diǎn)與印第安農(nóng)場(chǎng)數(shù)據(jù)集一致。經(jīng)數(shù)據(jù)預(yù)處理，保留176個(gè)波段進(jìn)行分類實(shí)驗(yàn)。圖像大小為614×512像素，空間分辨率18m。在圖7(a)中，我們給出了場(chǎng)景的真實(shí)地物分布。圖7(b)-(h)分別為對(duì)比算法和所提出的算法的分類圖。與預(yù)期結(jié)果相一致，所提出的TF-ISSARF方法獲得最好的分類圖(即圖7(h))和它基本接近真實(shí)的地物分布。

參照?qǐng)D8(a)-圖8(b)，研究和分析了總體分類準(zhǔn)確度隨著三邊濾波器的空間參數(shù)，幅值參數(shù)和脈沖參數(shù)取值的變異性，在圖8(a)中，對(duì)于印第安納農(nóng)場(chǎng)數(shù)據(jù)，當(dāng)δ_s＝7,δ_r＝0.4，和δ_d＝8時(shí)提出的TF-ISSARF分類方法獲得最優(yōu)的總體分類準(zhǔn)確度。對(duì)于肯尼迪航天中心數(shù)據(jù)，從圖8(b)可知當(dāng)δ_s＝8,δ_r＝0.4，和δ_d＝7時(shí)，取得最優(yōu)的總體分類準(zhǔn)確度。

參照?qǐng)D9(a)-圖9(b)，研究和分析了三邊濾波器的鄰域窗口尺寸對(duì)總體分類準(zhǔn)確度的影響。為了獲得最優(yōu)的窗口尺寸，對(duì)于印第安納農(nóng)場(chǎng)數(shù)據(jù)，固定δ_s＝7,δ_r＝0.4，和δ_d＝8，分析總體分類準(zhǔn)確度隨著窗口尺寸的變化。從圖9(a)可知，當(dāng)窗口尺寸w＝7時(shí)，農(nóng)場(chǎng)數(shù)據(jù)獲得最好的分類結(jié)果。對(duì)于圖9(b)，當(dāng)窗口尺寸w＝9時(shí)，肯尼迪航天中心數(shù)據(jù)獲得最好的分類結(jié)果。

上述為本發(fā)明特舉之實(shí)施例，并非用以限定本發(fā)明。本發(fā)明提供的基于三邊濾波器和堆棧稀疏自動(dòng)編碼器的高光譜圖像分類方法同樣適用于分類其他的非高光譜圖像。在不脫離本發(fā)明的實(shí)質(zhì)和范圍內(nèi)，可做些許的調(diào)整和優(yōu)化，以本發(fā)明的保護(hù)范圍以權(quán)利要求為準(zhǔn)。