基于脊波和深度卷積網(wǎng)絡(luò)的高光譜圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種高光譜圖像分類方法，可用于氣象 監(jiān)測、環(huán)境監(jiān)測、土地利用、城市規(guī)劃以及防災(zāi)減災(zāi)。
【背景技術(shù)】
[0002] 高光譜分辨率遙感是指利用很多很窄的電磁波波段從感興趣的物體中獲取有關(guān) 數(shù)據(jù)。它的最大特點就是在獲得目標圖像二維空間景象信息的同時，還可以獲得高分辨率 的一維表征其物理屬性的光譜信息，即具有"圖譜合一"的特性，是代表遙感最新成就的新 型技術(shù)之一。高光譜遙感與常規(guī)遙感數(shù)據(jù)的主要區(qū)別在于高光譜遙感是窄波段成像，可以 獲得連續(xù)的光譜信息，探測到常規(guī)遙感中不可探測的物質(zhì)。因此，當一個寬波段的系統(tǒng)只能 大致區(qū)分不同物質(zhì)種類時，高光譜傳感器卻可以為物質(zhì)的詳細鑒定和更準確估計它的豐富 程度提供了潛在的可能。
[0003] 高光譜數(shù)據(jù)處理的一個主要內(nèi)容就是地物目標分類。分類是一種描述地物目標或 種類的分析技術(shù)，其主要任務(wù)是對數(shù)據(jù)體的每個像素點賦予一個類別標記以產(chǎn)生專題地圖 的一種過程，它是人們從遙感影像上提取有用信息的重要途徑之一。分類后產(chǎn)生的專題地 圖可以清晰地反映出地物的空間分布，便于人們從中認識和發(fā)現(xiàn)其規(guī)律，使高光譜遙感圖 像具有真正的使用價值并有效的投入到實際應(yīng)用中。
[0004] 傳統(tǒng)的圖像分類方法是目視解譯，目視技術(shù)利用了人類優(yōu)秀的思維能力來定性評 價圖像中的空間模式。這種方法存在一定的缺點，它需要圖像目視判讀者具有豐富的地學 知識和目視判讀經(jīng)驗，并且勞動強度大，需要花費大量的時間。另外光譜特性不是都可以用 目視解譯的方法全面評定的。為了提高分類的質(zhì)量和效率，從上世紀70年代起，人們開始 重視由計算機自動獲取遙感圖像中專題信息的方法研究。當時主要是利用傳統(tǒng)的統(tǒng)計模式 識別方法進行遙感計算機解譯，分類精度不能夠令人滿意，隨著遙感影像不斷的發(fā)展變化， 對分類算法也在不斷的提出新的要求，因此改進現(xiàn)有分類算法，尋找新的方法一直是遙感 應(yīng)用研究中的熱點之一。
[0005] 高光譜圖像的特征提取是高光譜圖像分類的一個重要部分，對分類精度有很大的 影響。目前，市場上使用的高光譜圖像特征提取方法主要有基于光譜信息的特征提取方法， 基于空間信息的特征提取方法，和結(jié)合空間信息和光譜信息的特征提取方法。
[0006] 在基于光譜信息的特征提取方法中，高光譜數(shù)據(jù)中的每個像素在光譜空間中表現(xiàn) 為一條波譜響應(yīng)曲線。不同的地物具有不同的波譜反射率和吸收特性；相同的地物在不 同的波段也具有不同的反射波譜率，在遙感數(shù)據(jù)中表現(xiàn)為不同的輻射強度。因此不同的地 物的波譜曲線形態(tài)不同；同一地物的波譜曲線也并不是平坦的而是起伏變化的，常常有多 個峰點與谷點?；诠庾V信息的分類方法就是利用不同地物的波譜曲線對地物進行分類， 常用的特征提取算法有稀疏PCA(PrincipalComponentsAnalysis)，ICA(Independent ComponentAnalysis)以及LDA(LatentDirichletAllocation)等。但是地物光譜響應(yīng)會 受到很多因素的影響，如太陽照度、大氣透明度和風速等，而這些因素通常都是很難準確測 量的，所以實際測量得到的地物光譜響應(yīng)曲線與實際的曲線可能有很大的差異。這種情況 下，光譜空間描述方式不能很好的適應(yīng)高光譜數(shù)據(jù)的分析，所以基于光譜信息的特征提取 方法常常得到的分類精度不夠理想。
[0007] 基于空間信息的特征提取方法是只利用高光譜圖像的空間信息進行分類，典型的 方法如基于方差的特征提取方法、基于灰度共生矩陣的特征提取方法、以及小波分析的特 征提取方法。該類方法是一種人工經(jīng)驗的特征提取方法，需要預先知道圖像的特征，再對應(yīng) 的選擇合適方法，所以該類方法需要較好的先驗知識才能達到較好的分類效果。
[0008] 為此，很多研究者提出了結(jié)合空間和光譜信息的特征提取方法，借助于高光譜圖 像的光譜和空間信息來提高分類精度，如IFRF(ImageFusionandRecursiveFiltering)、 EPF(Edge-PreservingFilters)和NMFL(NonlinearandLinearMultipleFeature Learning)方法。該類方法雖然在一定程度上克服了僅僅使用光譜信息或空間信息造成的 地物錯分問題問題，但是仍然需要較多的先驗知識才能夠獲得較好的分類精度。
[0009] 神經(jīng)網(wǎng)絡(luò)是一類有效的提取空譜特征的方法，也是一種主動的特征學習的方法， 不需要對圖像有先驗知識，典型的神經(jīng)網(wǎng)絡(luò)如BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、和脊波神經(jīng)網(wǎng) 絡(luò)。但是這些都是淺層的神經(jīng)網(wǎng)絡(luò)，都只包含3層，為了能夠更好的挖掘圖像更深層的特 征，深度神經(jīng)網(wǎng)絡(luò)的模型被提出，典型的深度神經(jīng)網(wǎng)絡(luò)有自編碼深度網(wǎng)絡(luò)、受限玻爾茲曼機 深度網(wǎng)絡(luò)、深度卷積網(wǎng)絡(luò)等。由于深度卷積網(wǎng)絡(luò)是一個真正的二維神經(jīng)網(wǎng)絡(luò)，對于二維的圖 像來說，深度卷積網(wǎng)絡(luò)能夠更好的表示圖像的特征。然而傳統(tǒng)的深度卷積網(wǎng)絡(luò)濾波器的初 始化都是采用隨機初始化，或者高斯函數(shù)初始化，好的初始化對于網(wǎng)絡(luò)的性能和逼近速率 有很大的影響，而這些傳統(tǒng)的初始化方法很難達到一個理想的效果。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于脊波和深度卷積網(wǎng)絡(luò) 的高光譜圖像分類方法，以解決現(xiàn)有技術(shù)在高光譜圖像分類問題中難以學習到有效的分類 特征，以及傳統(tǒng)的深度卷積網(wǎng)絡(luò)難以達到更小的計算復雜度的問題，提高光譜圖像分類的 精度和速度。
[0011] 為實現(xiàn)上述目的，本發(fā)明的實現(xiàn)步驟如下：
[0012] 1)輸入一幅高光譜圖像和該圖像中地物信息的類標，從該高光譜圖像中選擇 10%的像素作為訓練樣本；
[0013] 2)提取訓練樣本的光譜信息：沿著高光譜圖像光譜的維度，提取每一個訓練樣本 的光譜信息，組成光譜向量f]，j= 1，...，J，J是訓練樣本的個數(shù)；
[0014] 3)對高光譜圖像進行降維處理，保留前4個主分量，組成降維后的圖像；
[0015] 4)提取訓練樣本的空間信息：以每個訓練樣本為中心，在降維后的圖像中每一維 上，選取7X7大小的窗口，得到該樣本在該維上的空間信息g/./=l4 ；
[0016] 5)將每一個訓練樣本的空間信息gf和光譜向量組成一個正方形的訓練樣本圖 像塊，并對該圖像進行歸一化，得到歸一化后的訓練樣本正方形圖像塊F];
[0017] 6)構(gòu)造一個5層的深度卷積網(wǎng)絡(luò)，并用歸一化后的訓練樣本正方形圖像塊FM乍為 該卷積網(wǎng)絡(luò)的輸入，對該網(wǎng)絡(luò)進行訓練，得到訓練好的網(wǎng)絡(luò)；
[0018] 7)將高光譜圖像中剩余90%的像素作為測試樣本，提取每一個樣本的光譜向量 r，以及空間向量n1，i= 1，. . .，4,組成一個正方形的測試樣本圖像塊，并對該圖像塊進行 歸一化，得到歸一化后的測試樣本正方形圖像塊P，q= 1，...，Q，Q是測試樣本的個數(shù)；
[0019] 8)將歸一化后的測試樣本正方形圖像塊P輸入到步驟6)訓練好的網(wǎng)絡(luò)中，根據(jù) 網(wǎng)絡(luò)中訓練好的參數(shù)值，得到該樣本的類標值，完成分類。
[0020] 本發(fā)明與現(xiàn)有技術(shù)相比，具有如下效果：
[0021] (a)本發(fā)明使用了空間信息和光譜信息結(jié)合的高光譜圖像分類方法，克服了傳統(tǒng) 的高光譜圖像分類方法中僅僅采用光譜信息，忽略了有效利用空間信息的問題，提高了分 類精度。
[0022] (b)本發(fā)明在傳統(tǒng)深度卷積神經(jīng)網(wǎng)絡(luò)的框架下，對網(wǎng)絡(luò)中卷積層濾波器的初始化 采用脊波函數(shù)，克服了傳統(tǒng)濾波器初始化方法難以有效、快速的逼近高光譜圖像的空間和 光譜信息的問題，提高了分類的速度。
【附圖說明】
[0023]圖1是本發(fā)明的基于脊波和深度卷積網(wǎng)絡(luò)的高光譜圖像分類方法流程框圖；
[0024] 圖2是本發(fā)明實驗使用圖像及其真實地物分類圖；
[0025] 圖3是用本發(fā)明和現(xiàn)有技術(shù)對圖2的分類結(jié)果對比圖；
[0026] 圖4是用本發(fā)明和現(xiàn)有方法對圖2的誤差下降對比圖。
【具體實施方式】
[0027] 以下參照附圖，對本發(fā)明的技術(shù)方案和效果做進一步詳細描述。
[0028]參照圖1，本發(fā)明的實現(xiàn)步驟如下：
[0029] 步驟1，輸入圖像。
[0030] 輸入一幅高光譜圖像，如圖所示，其中2(a)為輸入的高光譜圖像，圖2(b)為2(a) 對應(yīng)的類標圖像，從2(a)中選擇10%的像素作為訓練樣本。
[0031] 步驟2,提取訓練樣本的光譜信息。
[0032] 設(shè)步驟1中輸入的高光譜圖像的光譜維數(shù)為V，對每一個訓練樣本，提取該樣本每 一維的光譜值，組成光譜向量f°,j= 1，. . .，J，J是訓練樣本的個數(shù)，光譜向量的維數(shù)為 V。
[0033] 步驟3,對高光譜圖像降維。
[0034] 對圖像進行降維的方法有稀疏PCA，LDA，PCA，ICA等方法，本發(fā)明使用PCA方法對 步驟1中輸入的高光譜圖像進行降維處理，具體步驟如下：
[0035] 3a)求出步驟1中輸入的高光譜圖像的協(xié)方差矩陣；
[0036] 3b)根據(jù)協(xié)方差矩陣得到步驟1中輸入的高光譜圖像的分量圖；
[0037] 3c)最后保留前4個能量值最大的分量圖，將這4個分量圖組成降維后的圖像。
[0038] 步驟4，提取訓練樣本的空間信息。
[0039] 在步驟2中降維后的圖像中的每一個分量圖上，以每個訓練樣本為中心，選取 7X7大小的窗口，得到該樣本在分量圖上的空間信息g/V= 1，.…4。
[0040] 步驟5,將空間信息與光譜信息相結(jié)合。
[0041] 5a)將4個7X7大小的代表圖像空間信息的圖像塊拼成一個大小為
[0042] 5b)將光譜向量f]重新排列成一個大小為H*1 2的光譜信息長方形圖像塊F，H為 長方形圖像塊的長，12為長方形圖像塊的寬，H*12=V，其中V為光譜向量的維數(shù)；
[0043] 5c)在空間信息正方形圖像塊G中隨機選取一個大小為（H-14)*(H-12)的圖像塊 B，根據(jù)該圖像塊B和空間信息正方形圖像塊G及光譜信息長方形圖像塊F，構(gòu)建大小為H*H
[0044] 5d)對得到的訓練樣本正方形圖像塊A進行歸一化，得到歸一化的訓練樣本正方 形圖像塊F]，j= 1，. . .，J，J是訓練樣本的個數(shù)。
[0045] 步驟6,構(gòu)造5層深度卷積網(wǎng)絡(luò)并對其進行訓練。
[0046] 6a)構(gòu)造5層深度卷積網(wǎng)絡(luò)：其中第1層為輸入層，第2層和第3層為卷積層，第 4層為全鏈接層，第5層為softmax分類器；該第1層的輸入為歸一化的訓練樣本正方形圖 像塊F];該第2層包含L