本發(fā)明涉及遙感圖像分類領(lǐng)域，具體涉及一種基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類方法。

背景技術(shù)：

1、高光譜圖像(hyperspectral?image,hsi)具有豐富的信息和細(xì)微的光譜區(qū)分能力，廣泛應(yīng)用于礦物鑒定、軍事偵察、精準(zhǔn)農(nóng)業(yè)等領(lǐng)域。傳統(tǒng)的分類算法，如支持向量機和決策樹，已經(jīng)在很大程度上滿足了基本的分類需求。然而在實際應(yīng)用中，高光譜圖像常因噪聲影響而降低分類準(zhǔn)確性，尤其是在農(nóng)作物分類任務(wù)中，因光譜特征的復(fù)雜性和環(huán)境因素的干擾，噪聲問題更為突出。特別是當(dāng)標(biāo)簽數(shù)據(jù)本身存在噪聲時，分類模型的性能會進(jìn)一步受損。這種噪聲標(biāo)簽源于傳感器誤差、數(shù)據(jù)傳輸問題或人為標(biāo)注錯誤，因此，如何在噪聲標(biāo)簽的情況下實現(xiàn)高效、準(zhǔn)確的高光譜圖像農(nóng)作物分類成為一個至關(guān)重要的研究方向。針對這一問題，研究者們提出了多種方法并進(jìn)行了廣泛的探索，包括數(shù)據(jù)預(yù)處理(如光譜平滑、主成分分析)和基于深度學(xué)習(xí)的魯棒性分類模型，這些方法在減少噪聲干擾、提升分類精度方面展現(xiàn)出顯著效果。

2、面對這種挑戰(zhàn)，研究員開始探索更加強大的模型，比如多層感知器(multilayerperceptron,mlp)和三維卷積神經(jīng)網(wǎng)絡(luò)(3d?convolutional?neural?network,3dcnn)。這兩種模型都在分類具有高噪聲的高光譜圖像方面展現(xiàn)出了顯著的優(yōu)勢。多層感知器(mlp)是一種經(jīng)典的淺層神經(jīng)網(wǎng)絡(luò)。其強大的信息融合能力、可調(diào)節(jié)的網(wǎng)絡(luò)深度和節(jié)點數(shù)量以及優(yōu)化的梯度下降算法，都賦予了mlp優(yōu)秀的噪聲信息處理和分類性能。而3dcnn通過在空間和光譜域同時進(jìn)行卷積操作，可以更全面地保留高光譜圖像中的空間和光譜信息，進(jìn)一步增強模型的表達(dá)能力，在處理高光譜圖像時有顯著的優(yōu)勢。然而，3dcnn和mlp各自都有其局限性。3dcnn主要面臨的問題是計算復(fù)雜度高，而mlp在處理大數(shù)據(jù)集時存在過擬合的問題。

3、因此，本發(fā)明通過將這兩種模型相結(jié)合，獲取一個魯棒性更強的模型。即在前期采用3dcnn同時提取空間和光譜特征，后期則采用mlp進(jìn)行分類決策。這種結(jié)合的兩種模型的策略比單獨使用任何一種模型都要好，這是因為3dcnn和mlp的優(yōu)點可以互補其缺點，比如3dcnn強大的空間特征提取能力可以解決mlp的數(shù)據(jù)處理問題，同時mlp的優(yōu)秀的分類性能可以彌補3dcnn的計算復(fù)雜性問題。此外，結(jié)合歸一化交叉熵(normalized?cross?entropy,nce)和逆交叉熵(reverse?cross?entropy,rce)的混合損失函數(shù)的方法可以進(jìn)一步提高模型的魯棒性，從而提升分類的準(zhǔn)確性和穩(wěn)定性。

技術(shù)實現(xiàn)思路

1、本發(fā)明通過充分利用3dcnn和mlp在高光譜圖像分類中的特征提取與分類決策優(yōu)勢，結(jié)合rce和nce的混合損失函數(shù)，構(gòu)建了對噪聲標(biāo)簽具有魯棒性且更加精準(zhǔn)的分類模型。該創(chuàng)新性方法不僅顯著提升了對高光譜圖像中噪聲標(biāo)簽的處理能力，還增強了模型對高維特征空間的理解與表征。在含有噪聲標(biāo)簽的高光譜圖像分類任務(wù)中，本發(fā)明展示出卓越的分類性能，對于提升高光譜圖像農(nóng)作物分類的準(zhǔn)確性和魯棒性具有重要的科學(xué)與實用價值。

2、本發(fā)明的目的是這樣實現(xiàn)的：

3、一種基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類方法，包括以下步驟：

4、步驟a、輸入待分類的hsi數(shù)據(jù)，隨機選取訓(xùn)練樣本，構(gòu)建訓(xùn)練集和測試集；

5、步驟b、構(gòu)建3dcnn提取hsi的空間和光譜特征，充分利用高光譜圖像的三維信息；

6、步驟c、設(shè)計mlp模型對提取的特征進(jìn)行分類決策，充分發(fā)揮mlp在高維特征空間處理中的優(yōu)勢；

7、步驟d、為增強模型對噪聲標(biāo)簽的魯棒性，結(jié)合nce和rce的混合損失函數(shù)，通過結(jié)合該混合損失函數(shù)，降低噪聲標(biāo)簽對模型訓(xùn)練的干擾；

8、步驟e、綜合利用3dcnn的特征提取能力和mlp的分類性能，并聯(lián)合結(jié)合后的混合損失函數(shù)，完成hsi分類，得到最終的分類結(jié)果。

9、上述的一種基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類方法，其特征在于，步驟b具體包括以下步驟：

10、步驟b1、對高光譜數(shù)據(jù)的訓(xùn)練、測試樣本進(jìn)行patch提取，窗口大小為7×7×nband。

11、步驟b2、構(gòu)建3dcnn模型，包含了3d卷積和relu激活函數(shù)，通過疊加多層3d卷積，使得網(wǎng)絡(luò)能夠逐步從淺層到深層抽取并學(xué)習(xí)到更加抽象和區(qū)分性的特征。同時，這種多層結(jié)構(gòu)還使模型能夠有效學(xué)習(xí)多個波段之間的關(guān)聯(lián)性，從而顯著增強了噪聲抑制和復(fù)雜分類任務(wù)的處理能力。

12、上述的一種基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類方法，其特征在于，所述步驟c中，構(gòu)建mlp模型，包含了一個輸入層、多個隱含層，以及一個輸出層。輸入層的主要任務(wù)是接收數(shù)據(jù)，并根據(jù)不同的權(quán)重分發(fā)給隱含層。然后，隱含層通過非線性激活函數(shù)對輸入的數(shù)據(jù)進(jìn)行處理，將處理后的信息傳遞給輸出層，最終從輸出層給出分類的結(jié)果。

13、上述的一種基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類方法，其特征在于，所述步驟d中，構(gòu)建混合損失函數(shù)，結(jié)合nce和rce損失函數(shù)后可以更好地提升模型對噪聲樣本的處理能力，因為nce可以讓模型學(xué)習(xí)區(qū)分真實樣本和噪聲樣本，從而增強模型的魯棒性，而rce則通過反轉(zhuǎn)傳統(tǒng)的交叉熵?fù)p失，使模型在處理異?；蛟肼晹?shù)據(jù)時更加穩(wěn)健。這兩種損失函數(shù)的結(jié)合有助于模型在面對噪聲樣本時更有效地提取有用特征，減少過擬合，從而提高分類性能。

14、上述的一種基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類方法，其特征在于，所述步驟e中，將3dcnn和mlp以級聯(lián)的方式進(jìn)行連接，形成整體架構(gòu)，聯(lián)合混合損失函數(shù)訓(xùn)練噪聲樣本，進(jìn)行分類，得到最終農(nóng)作物分類結(jié)果。

15、有益效果：

16、本發(fā)明基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類方法涉及遙感圖像農(nóng)作物分類領(lǐng)域。首先，本發(fā)明通過3dcnn同時提取空間和光譜特征，充分利用高光譜圖像的三維信息。然后，引入mlp進(jìn)行分類決策，以充分發(fā)揮其在處理高維特征空間中的優(yōu)勢。為了進(jìn)一步增強模型對噪聲標(biāo)簽的魯棒性，本發(fā)明在訓(xùn)練樣本的同時引入nce和rce混合的損失函數(shù)，減少噪聲樣本對模型的干擾。綜合利用3dcnn的強大特征提取能力和mlp的優(yōu)秀分類性能，再結(jié)合混合損失函數(shù)，最后獲取農(nóng)作物類別。

技術(shù)特征：

1.基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類，其特征在于，所述步驟b具體包括以下步驟：

3.根據(jù)權(quán)利要求1所述的基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類，其特征在于，所述步驟c中，構(gòu)建mlp模型，包含了一個輸入層、多個隱含層，以及一個輸出層。輸入層的主要任務(wù)是接收數(shù)據(jù)，并根據(jù)不同的權(quán)重分發(fā)給隱含層。然后，隱含層通過非線性激活函數(shù)對輸入的數(shù)據(jù)進(jìn)行處理，將處理后的信息傳遞給輸出層，最終從輸出層給出分類的結(jié)果。

4.根據(jù)權(quán)利要求1所述的基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類，其特征在于，所述步驟d中，構(gòu)建混合損失函數(shù)，結(jié)合nce和rce損失函數(shù)后可以更好地提升模型對噪聲樣本的處理能力，因為nce可以讓模型學(xué)習(xí)區(qū)分真實樣本和噪聲樣本，從而增強模型的魯棒性，而rce則通過反轉(zhuǎn)傳統(tǒng)的交叉熵?fù)p失，使模型在處理異常或噪聲數(shù)據(jù)時更加穩(wěn)健。這兩種損失函數(shù)的結(jié)合有助于模型在面對噪聲樣本時更有效地提取有用特征，減少過擬合，從而提高分類性能。

5.根據(jù)權(quán)利要求1所述的基于3dcnn結(jié)合mlp的標(biāo)簽含噪高光譜圖像農(nóng)作物分類，其特征在于，所述步驟e中，將3dcnn和mlp以級聯(lián)的方式進(jìn)行連接，形成整體架構(gòu)，聯(lián)合混合損失函數(shù)訓(xùn)練噪聲樣本，進(jìn)行分類，得到最終農(nóng)作物分類結(jié)果。

技術(shù)總結(jié)
本發(fā)明提出了一種3DCNN結(jié)合MLP的標(biāo)簽含噪高光譜圖像農(nóng)作物分類方法，屬于圖像分類技術(shù)領(lǐng)域。首先，本發(fā)明通過3D卷積神經(jīng)網(wǎng)絡(luò)(3D?Convolutional?Neural?Network,3DCNN)同時提取空間和光譜特征，充分利用高光譜圖像的三維信息。然后，引入多層感知器(Multilayer?Perceptron,MLP)進(jìn)行分類決策，以充分發(fā)揮其在處理高維特征空間中的優(yōu)勢。為了進(jìn)一步增強模型對噪聲標(biāo)簽的魯棒性，本發(fā)明在訓(xùn)練樣本的同時引入了歸一化交叉熵(Normalized?Cross?Entropy,NCE)和逆交叉熵(Reverse?Cross?Entropy,RCE)混合的損失函數(shù)，減少噪聲樣本對模型的干擾。綜合利用3DCNN的強大特征提取能力和MLP的優(yōu)秀分類性能，再結(jié)合混合損失函數(shù)，最后獲取農(nóng)作物類別。本發(fā)明通過充分利用3DCNN和MLP在高光譜圖像分類中的特征提取與分類決策優(yōu)勢，結(jié)合RCE和NCE的混合損失函數(shù)，構(gòu)建了對噪聲標(biāo)簽具有魯棒性且更加精準(zhǔn)的分類模型。該創(chuàng)新性方法不僅顯著提升了對高光譜圖像中噪聲標(biāo)簽的處理能力，還增強了模型對高維特征空間的理解與表征。在噪聲標(biāo)簽的高光譜圖像分類任務(wù)中，本發(fā)明展示出卓越的分類性能，對于提升高光譜圖像農(nóng)作物分類的準(zhǔn)確性和魯棒性具有重要的科學(xué)與實用價值。

技術(shù)研發(fā)人員：劉城洋,王愛麗,趙琳,吳海濱,閆思奇,呂浩然,劉鑫禹
受保護的技術(shù)使用者：哈爾濱理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26