本發(fā)明涉及圖像分類技術(shù)領(lǐng)域，特別是涉及一種高光譜遙感影像特征提取與分類方法。

背景技術(shù)：

近年來，遙感技術(shù)取得了巨大的進(jìn)步。高光譜遙感圖像在描述地面真實(shí)信息方面的優(yōu)勢使其成為目標(biāo)檢測和分類等重要工具。高光譜圖像分類是挖掘高光譜數(shù)據(jù)信息的常用技術(shù)。由于高光譜圖像中信息量巨大，在分類前需要進(jìn)行降維處理。神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(svm)已被廣泛應(yīng)用于高光譜分類，由于其在處理高維數(shù)據(jù)方面的潛力，它們可以用于實(shí)現(xiàn)大部分?jǐn)?shù)據(jù)的分類，但若想獲得詳細(xì)信息上則很難取得更好的效果。這個(gè)問題使得這些算法在某些領(lǐng)域受到限制。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明的目的是提供一種能夠解決現(xiàn)有技術(shù)中存在的缺陷的高光譜遙感影像特征提取與分類方法。

技術(shù)方案：本發(fā)明所述的高光譜遙感影像特征提取與分類方法，包括以下步驟：

s1：選取高光譜遙感圖像構(gòu)建訓(xùn)練集；

s2：進(jìn)行數(shù)據(jù)預(yù)處理操作，以降低數(shù)據(jù)維度；

s3：構(gòu)建基本深信度網(wǎng)絡(luò)模型；

s4：進(jìn)行特征提取，將數(shù)據(jù)的光譜特征和空間信息分別提取出來；

s5：聯(lián)合光譜空間信息完成圖像的分類；

s6：進(jìn)行分類結(jié)果精度評價(jià)。

進(jìn)一步，所述步驟s2中，數(shù)據(jù)預(yù)處理操作采用主成分分析法進(jìn)行。

進(jìn)一步，所述步驟s3中，基本深信度網(wǎng)絡(luò)模型由限制玻爾茲曼機(jī)堆疊而成，采用貪婪非監(jiān)督分層學(xué)習(xí)的方式學(xué)習(xí)輸入數(shù)據(jù)，并且在網(wǎng)絡(luò)中采用逐層初始化的方法更新權(quán)重，在網(wǎng)絡(luò)的最后一層采用softmax分類器以監(jiān)督方式實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的調(diào)優(yōu)處理。

進(jìn)一步，所述逐層初始化方法具體為在網(wǎng)絡(luò)的每一層用對比散度算法進(jìn)行預(yù)訓(xùn)練。

進(jìn)一步，所述步驟s5具體為：將提取出的光譜特征和空間信息同時(shí)加入到深信度網(wǎng)絡(luò)模型中參與訓(xùn)練，構(gòu)建基于聯(lián)合光譜空間特征的深信度網(wǎng)絡(luò)模型，從而完成圖像的分類。

有益效果：本發(fā)明公開了一種高光譜遙感影像特征提取與分類方法，在采用深度網(wǎng)絡(luò)模型實(shí)現(xiàn)高光譜影像分類時(shí)，聯(lián)合光譜特征和空間信息進(jìn)行分類，顯著提升圖像的分類精度，從而提高遙感目標(biāo)檢測識別的效率。

附圖說明

圖1為本發(fā)明具體實(shí)施方式中dbn模型的流程圖；

圖2為本發(fā)明具體實(shí)施方式中rbm結(jié)構(gòu)模型示意圖；

圖3為本發(fā)明具體實(shí)施方式中印度松樹數(shù)據(jù)集中16種地物光譜圖；

圖4為本發(fā)明具體實(shí)施方式中dbn模型結(jié)構(gòu)圖；

圖5為本發(fā)明具體實(shí)施方式中聯(lián)合光譜空間分類(jssc)的實(shí)驗(yàn)結(jié)果。

具體實(shí)施方式

本具體實(shí)施方式公開了一種高光譜遙感影像特征提取與分類方法，如圖1所示，具體操作步驟如下：

s1：選取典型類別的目標(biāo)的高光譜遙感圖像構(gòu)建訓(xùn)練集。本實(shí)施例選取西北印第安納州的印度松樹測試區(qū)的高光譜數(shù)據(jù)集作為實(shí)驗(yàn)對象，機(jī)載可見/紅外成像光譜儀(aviris)獲取。其尺寸為145×145，有224個(gè)波段。對原始圖像進(jìn)行去噪，不進(jìn)行吸水實(shí)驗(yàn)，保留剩余200個(gè)波段。訓(xùn)練、驗(yàn)證和測試數(shù)據(jù)的比例為6:2:2。如圖3為選取16類別地物的光譜圖，表1是從印度松樹數(shù)據(jù)集中選取的16種類別地物的樣本分布情況。

表1選取的16種類別地物樣本分布情況

s2：進(jìn)行數(shù)據(jù)預(yù)處理操作，以降低數(shù)據(jù)維度。采用主成分分析法處理整個(gè)數(shù)據(jù)集，原始數(shù)據(jù)為矩陣但也需要標(biāo)準(zhǔn)化。

s3：構(gòu)建深信度網(wǎng)絡(luò)模型，如圖4為模型的結(jié)構(gòu)示意圖。。深信度網(wǎng)絡(luò)是一種深度學(xué)習(xí)模型，該模型由多層限制玻爾茲曼機(jī)(rbm)堆疊而成，其訓(xùn)練方法是：使用非監(jiān)督貪婪逐層方法去預(yù)訓(xùn)練獲得權(quán)值。

限制玻爾茲曼機(jī)是一種生成式隨機(jī)神經(jīng)網(wǎng)絡(luò)，有兩層神經(jīng)元，一層叫做顯層，由可見單元(對應(yīng)可見變量v)組成，用于輸入訓(xùn)練數(shù)據(jù)，另一層為隱層，由隱藏單元(對應(yīng)隱藏變量h)組成，用作特征檢測器?？梢娮兞亢碗[藏變量都是二元變量，即取值情況為{0,1}。整個(gè)網(wǎng)絡(luò)是一個(gè)二分圖(如圖2)，只有可見單元和隱藏單元之間才存在邊，可見單元之間和隱藏單元之間沒有邊連接。對于一組給定的狀態(tài)(v,h)，rbm的聯(lián)合配置能量函數(shù)為：

其中，θ＝(wij，ai，bj)是rbm的參數(shù)，wij是可見單元v和隱藏單元h之間的邊的權(quán)重，bi和aj分別為可見單元和隱藏單元的偏移量。根據(jù)v和h聯(lián)合配置的能量可得v和h的聯(lián)合概率分布為：

其中，是歸一化因子，又稱為配分函數(shù)。通過最大化對數(shù)似然函數(shù)l(θ)可得到rbm的參數(shù)，該函數(shù)的表達(dá)式如公式(3)所示：

通常采用隨機(jī)梯度下降方法最大化l(θ)，首先需要求得l(θ)對w的導(dǎo)數(shù)：

可見變量和隱藏變量的條件概率分布如下：

在計(jì)算聯(lián)合概率期望時(shí)，由于計(jì)算歸一化因子z(θ)的時(shí)間復(fù)雜度將達(dá)到o(2^m+n)，計(jì)算量非常大，故使用對比散度算法(contrastivedivergence，cd)，吉布斯采樣次數(shù)取1次，將抽樣所得的樣本集合看作是p(v,h)的近似，通過這種近似的方式重構(gòu)數(shù)據(jù)。網(wǎng)絡(luò)權(quán)重的學(xué)習(xí)如下：

δwij＝edata(vihj)-emodel(vihj)(7)

其中，被減數(shù)等于輸入數(shù)據(jù)能量函數(shù)的期望，減數(shù)等于模型能量函數(shù)的期望，該期望通過對比散度算法獲得。

dbn模型包括數(shù)據(jù)預(yù)處理、預(yù)訓(xùn)練和網(wǎng)絡(luò)調(diào)優(yōu)三個(gè)重要環(huán)節(jié)，如圖4所示。在預(yù)處理中，將輸入網(wǎng)絡(luò)中的三維數(shù)據(jù)轉(zhuǎn)換為二維向量。在預(yù)訓(xùn)練中，逐層訓(xùn)練每一個(gè)非監(jiān)督的rbm網(wǎng)絡(luò)，確保輸入向量能被映射到不同特征空間并且盡可能多的保存特征信息。每一層訓(xùn)練好后才進(jìn)行下一層的疊加，參數(shù)逐層傳播，后一層可視變量是前一層隱藏變量的雙倍，后一層的特征都是從前一層學(xué)習(xí)得到。在網(wǎng)絡(luò)的最后一層使用softmax分類器對網(wǎng)絡(luò)調(diào)優(yōu)，并標(biāo)記每個(gè)像素和分類結(jié)果。

s4：進(jìn)行特征提取，將數(shù)據(jù)額光譜的特征和空間特征分別提取出來，為完成圖像的分類做準(zhǔn)備。

s5：聯(lián)合光譜空間信息完成圖像的分類。將光譜特征和空間信息同時(shí)輸入深信度網(wǎng)絡(luò)模型中訓(xùn)練，監(jiān)督學(xué)習(xí)率設(shè)為0.01，非監(jiān)督學(xué)習(xí)率設(shè)為0.001。為了更好的說明本發(fā)明中所提出方法的有效性，分別采用svm和深信度網(wǎng)絡(luò)模型進(jìn)行分類實(shí)驗(yàn)。用訓(xùn)練樣本隨機(jī)進(jìn)行100次實(shí)驗(yàn)，獲得svm分類器和dbn分類器下的精度的平均值。

s6：進(jìn)行分類結(jié)果精度評價(jià)。為了更好說明比較svm和聯(lián)合光譜空間分類(jssc)的分類性能，采用整體分類精度(overallaccuracy，oa)、平均分類精度(averageaccuracy，aa)、kappa一致性系數(shù)來評價(jià)兩種分類器的性能。表2為分別使用jssc(主成分?jǐn)?shù)量n＝3)和svm進(jìn)行實(shí)驗(yàn)所得分類結(jié)果，如圖5展示了jssc實(shí)驗(yàn)所得分類結(jié)果。表3為分別jssc-dbn(主成分?jǐn)?shù)量n＝4)和svm作為分類器進(jìn)行實(shí)驗(yàn)的分類結(jié)果。根據(jù)實(shí)驗(yàn)結(jié)果，顯然可知本發(fā)明所提出方法的有效性和實(shí)用性。

表2jssc和svm的分類精度比較

表3jssc-dbn和svm的分類精度比較