技術(shù)特征：

1.一種基于深度學(xué)習(xí)的高光譜圖像分類方法，其特征在于：包括以下步驟：

步驟(1)輸入高光譜遙感圖像數(shù)據(jù)，每個像素即樣本用光譜特征向量表示，樣本的特征維數(shù)為d，將樣本集合歸一化到0～1之間，所有歸一化的樣本構(gòu)成樣本集，其中x_i為第i個樣本，N為樣本總個數(shù)；

步驟(2)對自編碼網(wǎng)絡(luò)的基本組成單位——自動編碼機(jī)進(jìn)行自下而上的逐層訓(xùn)練；

步驟2a)首先初始化自動編碼的的網(wǎng)絡(luò)參數(shù)θ＝{W₁,W₂,b₁,b₂}，W₁和b₁是輸入層到隱層的權(quán)重和偏置，W₂和b₂是隱層到重構(gòu)層的權(quán)重和偏置，初始化b₁和b₂分別為全零的m維和n維的向量，W₁＝rand(m,n)×2e-e，W₂＝rand(n,m)×2e-e，其中，rand(m,n)和rand(n,m)分別是從0到1間隨機(jī)取值的m×n和n×m矩陣；

步驟2b)調(diào)整自動編碼機(jī)的網(wǎng)絡(luò)參數(shù)θ，使得輸入層和重構(gòu)層的差距達(dá)到最小；

步驟2c)最底層的自動編碼機(jī)訓(xùn)練完畢后，將下一層自動編碼機(jī)的隱藏層輸出作為上一層的輸入層的輸入，逐層訓(xùn)練自動編碼機(jī)，最終得到整個自編碼網(wǎng)絡(luò)的初始化參數(shù)；

步驟(3)展開的自編碼深度網(wǎng)絡(luò)采用BP算法對預(yù)訓(xùn)練得到的初始權(quán)值進(jìn)一步調(diào)整，進(jìn)一步減少誤差，BP算法的目標(biāo)函數(shù)采用交叉熵函數(shù)：

$H_m=-\underset{i=1}{\overset{m}{\Σ}}\[x_{i}ln{y}_i+(1-x_i)ln(1-y_i)\]$

其中，x_i是自編碼網(wǎng)絡(luò)輸入向量的第i個分量，y_i代表經(jīng)過自編碼網(wǎng)絡(luò)重構(gòu)后的數(shù)據(jù)的第i個分量，m代表自編碼網(wǎng)絡(luò)輸入數(shù)據(jù)的維度及重構(gòu)后數(shù)據(jù)的維度，二者維度相等；

步驟(4)使用訓(xùn)練完畢的自編碼網(wǎng)絡(luò)對高光譜數(shù)據(jù)進(jìn)行降維處理，獲得降維后的圖像；

步驟(5)輸入降維后的高光譜圖像以及對應(yīng)的分類參考圖，取待分類像元鄰域內(nèi)的數(shù)據(jù)立方體為卷積神經(jīng)網(wǎng)絡(luò)的輸入，分類參考圖中像元對應(yīng)的地物種類為卷積神經(jīng)網(wǎng)絡(luò)的期望輸出，使用隨機(jī)梯度下降算法訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練完畢后將卷積神經(jīng)網(wǎng)絡(luò)作用與整幅圖像，獲得最終的分類結(jié)果。

2.根據(jù)權(quán)利要求1中所述的一種基于深度學(xué)習(xí)的高光譜圖像分類方法，其特征在于：所述步驟(5)中的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如下：

卷積神經(jīng)網(wǎng)絡(luò)一般由卷積層，池化層，全連接層和softmax分類層組成，卷積神經(jīng)網(wǎng)絡(luò)的輸入大小為7×7×N，其中N是降維后高光譜圖像的維數(shù)，7×7是像元鄰域的大小，卷積神經(jīng)網(wǎng)絡(luò)的輸入的空間維數(shù)不高，因此無需進(jìn)行空間域的池化降維操作；

卷積神經(jīng)網(wǎng)絡(luò)包含三個卷積層，一個全連接層和一個softmax分類層，每一個卷積層的包含N個大小為3×3的卷積核，全連接層的輸入為N，輸出為30，softmax分類層的輸入大小為30，輸出大小為高光譜圖像的地物種類數(shù)。