本發(fā)明屬于遙感信息處理技術領域，涉及一種高光譜圖像的分類方法，尤其涉及一種基于雙通道卷積神經(jīng)網(wǎng)絡的空譜聯(lián)合的高光譜圖像分類方法。
背景技術：
高光譜遙感圖像光譜分辨率高、成像波段多、信息量大，在遙感應用領域得到廣泛應用。高光譜圖像分類技術是高光譜圖像處理技術中的重要內容，主要包含特征提取及分類兩個步驟，其中從原高光譜圖像中提取用特征，該步驟對高光譜圖像的分類精度影響巨大：如果所提取的分類特征的魯棒性強，能夠大幅提高分類精度；相反，魯棒性較差的分類特征則會明顯降低分類效果。
近幾年，深度學習在特征提取方面成績顯著。為了提高高光譜圖像分類精度，各種深度模型被引入到高光譜圖像的分類中來，并在譜特征的基礎上，引入空間特征，利用深度學習模型，自主提取高光譜圖像的空譜特征，有效提高了高光譜圖像分類精度。
然而，現(xiàn)有的利用深度模型提取高光譜圖像空譜特征的方法，在引入空間特征的時候，會在一定程度上忽視譜特征。同時，存在著鄰域信息選取范圍過大，導致分類效果出現(xiàn)過平滑，分類結果圖不精確的問題。此外，現(xiàn)有的深度模型所含參數(shù)較多，需要的訓練樣本也比較多，對人工標記數(shù)據(jù)較少時的高光譜圖像的分類也帶來一定的限制。
技術實現(xiàn)要素：
要解決的技術問題
為了避免現(xiàn)有技術的不足之處，本發(fā)明提出一種基于雙通道卷積神經(jīng)網(wǎng)絡的空譜聯(lián)合的高光譜圖像分類方法，利用雙通道網(wǎng)絡，同時提取高光譜圖像的空間特征和譜特征，并將二者有機結合，利用深度學習自主學習的優(yōu)勢，自動提取高光譜圖像的空譜深度特征以提高分類精度。同時提出數(shù)據(jù)擴充方法，克服高光譜圖像人工標記數(shù)據(jù)較少時容易過擬合的問題。
技術方案
一種基于雙通道卷積神經(jīng)網(wǎng)絡的空譜聯(lián)合的高光譜圖像分類方法，其特征在于步驟如下：
步驟1：對輸入的高光譜圖像數(shù)據(jù)，依照公式對進行歸一化操作；其中xijs表示高光譜圖像中的一個像元，i、j分別表示該像元位于高光譜圖像中的坐標位置，s表示高光譜圖像的譜段，x··smax、x··smin分別表示表示三維高光譜圖像在s波段的最大值和最小值；
步驟2：對每個待分類的像元，提取八鄰域范圍內的所有信息作為該像元的譜數(shù)據(jù)樣本L表示譜段總數(shù)；通過PCA降維將圖像壓縮，以該像元為中心提取鄰域范圍41×41內的信息作為該像元的空間數(shù)據(jù)樣本
步驟3：從步驟2中提取出來的數(shù)據(jù)中隨機抽取含有標簽的數(shù)據(jù)樣本作為DC-CNN的訓練數(shù)據(jù)樣本，隨機抽取的數(shù)量為有標簽數(shù)據(jù)總量的百分之五到百分之十；
步驟4構建DC-CNN：
網(wǎng)絡整體結構為兩部分，第一部分包含1D-CNN和2D-CNN，其中1D-CNN包含三層一維卷積層，卷積方向沿著譜方向進行；每層卷積層后連接一一維池化層，第三層池化層后依次連接一層全連接層和一層分類層，一共八層網(wǎng)絡；2D-CNN包含三層二維卷積層，卷積在空間上進行；每層卷積層后連接一二維池化層，第三層池化層后依次連接一層全連接層和一層分類層，一共八層網(wǎng)絡；第二部分包含兩層全連接網(wǎng)絡，第一層為輸入層，第二層是分類層，分類層采用softmax計算損失；
步驟5、網(wǎng)絡預訓練：采用隨機梯度下降算法對1D-CNN和2D-CNN進行訓練，訓練完成之后1D-CNN和2D-CNN分別具備提取深度譜特征和深度空間特征的能力；
步驟6、網(wǎng)絡調優(yōu)：通過步驟5中訓練好的1D-CNN和2D-CNN，提取訓練數(shù)據(jù)的譜特征和空間特征，結合提取出的譜特征和空間特征構成訓練數(shù)據(jù)的空譜特征，以訓練數(shù)據(jù)的空譜特征為輸入，訓練網(wǎng)絡的全連接層；
步驟7：將待分類的數(shù)據(jù)依次通過訓練好的1D-CNN和2D-CNN，特征融合，訓練好的全連接層，最終根據(jù)全連接層的輸出確定待分類數(shù)據(jù)的類別，完成高光譜圖像空譜聯(lián)合分類。
所述步驟5網(wǎng)絡預訓練為：
步驟5a)前向運算為卷積層前向運算，激勵函數(shù)前向運算，分類器前向運算三部分，其中一維卷積層前向運算的公式為：
表示卷積運算之后，網(wǎng)絡第l層，第j個特征向量上x位置上的值。bl,j是第l層，第j個特征向量的偏置；f(·)表示激勵函數(shù)，m是第(l-1)層特征向量的索引；表示連接到第(l-1)層第m個特征向量的位于卷積核位置h的值。Hl表示核的長度；
二維卷積層前向運算的公式為：
第(l-1)層第m個特征向量的位于卷積核位置(h,w)的值；Hl和Wl分別表示卷積核的高和寬。激勵函數(shù)采用ReLU，分類器采用softmax；
步驟5b)反向求導對應于前向運算：對卷積層的求導，對激勵函數(shù)的求導，對分類器的求導；
步驟5c)卷積核更新：計算出卷積核的偏導之后對卷積核進行更新的一步操作，更新公式如下：
kl+1＝kl+vl+1
l表示迭代次數(shù)，ε表示學習率，學習率選取0.01。
有益效果
本發(fā)明提出的一種基于雙通道卷積神經(jīng)網(wǎng)絡(Dual Channel Convolutional Neural Network，DC-CNN)的空譜聯(lián)合的高光譜圖像分類方法，針對高光譜圖像數(shù)據(jù)為三維結構的特點，采用一維卷積網(wǎng)絡(1D-CNN)通道和二維卷積網(wǎng)絡(2D-CNN)通道相結合的方式，提取空譜特征完成高光譜圖像的空譜聯(lián)合分類。針對高光譜圖像人工標記數(shù)據(jù)較少的問題，采用適合高光譜圖像的數(shù)據(jù)擴充方法，增加訓練樣本的規(guī)模，提高卷積網(wǎng)絡的訓練效率，減少過擬合問題。
本發(fā)明的有益效果在于：1)構建出適用于三維結構的高光譜圖像數(shù)據(jù)的DC-CNN模型，利用深度網(wǎng)絡模型自主提取空譜深度特征，省去了人為預先設定特征的麻煩；2)基于DC-CNN的高光譜圖像空譜聯(lián)合分類方法，即擴展了深度學習的應用范圍，也為高光譜圖像分類提供了新思路。3)提出的數(shù)據(jù)擴充方法一定程度上減緩了深度學習需要大量訓練數(shù)據(jù)和高光譜圖像人工標記數(shù)據(jù)較少的矛盾，減小了過擬合問題。4)提高了高光譜圖像分類精度。
附圖說明
圖1：本發(fā)明的流程圖
具體實施方式
現(xiàn)結合實施例、附圖對本發(fā)明作進一步描述：
步驟1輸入高光譜圖像數(shù)據(jù)，依照公式對對數(shù)據(jù)進行歸一化操作。其中xijs表示高光譜圖像中的一個像元，i、j分別表示該像元位于高光譜圖像中的坐標位置，s表示高光譜圖像的譜段，現(xiàn)有的高光譜圖像一般包含100-240個譜段，x··smax、x··smin分別表示表示三維高光譜圖像在s波段的最大值和最小值。
步驟2提取原始的譜數(shù)據(jù)樣本和空間數(shù)據(jù)樣本。對每個待分類的像元，提取八鄰域范圍內的所有信息作為該像元的譜數(shù)據(jù)樣本L表示譜段總數(shù)。通過PCA降維壓縮數(shù)據(jù)，保留前三主成分的信息，即將原始高光譜圖像壓縮到三維，以該像元為中心提取鄰域范圍41×41內的信息作為該像元的空間數(shù)據(jù)樣本
步驟3從步驟2中提取出來的數(shù)據(jù)樣本中隨機抽取少量的含有標簽的數(shù)據(jù)作為DC-CNN的訓練數(shù)據(jù)樣本，一般選取有標簽數(shù)據(jù)總量的百分之五到百分之十作為訓練數(shù)據(jù)樣本。
步驟4構建DC-CNN并利用訓練數(shù)據(jù)樣本對DC-CNN進行訓練。網(wǎng)絡整體結構分為兩部分，第一部分包含1D-CNN和2D-CNN兩部分，其中1D-CNN包含三層一維卷積層(卷積方向沿著譜方向進行)，每層卷積層后連接一一維池化層，第三層池化層后依次連接一層全連接層和一層分類層，一共八層網(wǎng)絡，一維卷積核的長度分別依次設置為3,7,5。2D-CNN包含三層二維卷積層(卷積在空間平面上進行)，每層卷積層后連接一二維池化層，第三層池化層后依次連接一層全連接層和一層分類層，一共八層網(wǎng)絡，二維卷積核的尺寸依次設置為3×3，7×7，5×5。第二部分包含兩層全連接網(wǎng)絡，第一層為輸入層，第二層是分類層，分類層采用softmax計算損失。網(wǎng)絡的整體運算主要包含預訓練，調優(yōu)兩階段，每階段包含前向運算，反向求導，參數(shù)更新三部分操作。
步驟5網(wǎng)絡預訓練。采用隨機梯度下降算法分別對1D-CNN和2D-CNN進行訓練，訓練完成之后1D-CNN和2D-CNN分別具備提取深度譜特征和深度空間特征的能力。卷積網(wǎng)絡的訓練主要包含前向運算，反向求導，卷積核更新三部分操作：
5a)前向運算主要分為卷積層前向運算，激勵函數(shù)前向運算，分類器前向運算三部分，其中一維卷積層前向運算的公式為：
表示卷積運算之后，網(wǎng)絡第l層，第j個特征向量上x位置上的值。bl,j是第l層，第j個特征向量的偏置。f(·)表示激勵函數(shù)，m是第(l-1)層特征向量的索引。表示連接到第(l-1)層第m個特征向量的位于卷積核位置h的值。Hl表示核的長度。二維卷積層前向運算的公式為：
第(l-1)層第m個特征向量的位于卷積核位置(h,w)的值。Hl和Wl分別表示卷積核的高和寬。激勵函數(shù)采用ReLU，分類器采用softmax。
5b)反向求導對應于前向運算，也包含對卷積層的求導，對激勵函數(shù)的求導，對分類器的求導。對卷積層前向運算公式及激勵函數(shù)前向運算公式求導按照基礎的數(shù)學公式即可推導得到。
5c)卷積核更新是在反向求導運算完成，計算出卷積核的偏導之后對卷積核進行更新的一步操作，更新公式如下：
kl+1＝kl+vl+1
l表示迭代次數(shù)，ε表示學習率，學習率一般選取0.01。
步驟6網(wǎng)絡調優(yōu)。通過步驟5中訓練好的1D-CNN和2D-CNN，提取訓練數(shù)據(jù)的譜特征和空間特征，結合提取出的譜特征和空間特征構成訓練數(shù)據(jù)的空譜聯(lián)合特征。以訓練數(shù)據(jù)的空譜聯(lián)合特征為輸入，采用隨機梯度下降算法訓練網(wǎng)絡的全連接層。
步驟7將待分類的數(shù)據(jù)首先通過訓練好的1D-CNN和2D-CNN得到深度譜特征和空間特征，其次連接譜特征和空間特征得到空譜特征，最后將空譜特征輸入到訓練好的全連接層。最終根據(jù)全連接層的輸出確定待分類數(shù)據(jù)的類別，完成高光譜圖像的空譜聯(lián)合分類。