一種基于多層卷積網(wǎng)絡與數(shù)據(jù)重組折疊的高光譜數(shù)據(jù)分類方法
【技術領域】
[0001] 本發(fā)明設及一種高光譜像元數(shù)據(jù)的分類方法，具體設及一種基于多層卷積網(wǎng)絡的 高光譜數(shù)據(jù)分類方法。
【背景技術】
[0002] 高光譜成像是近些年發(fā)展起來的基于大量連續(xù)窄波段的地物光譜信息獲取目標 成像的方法。高光譜成像的譜間分辨率很高，一般波段間隔在lOnmW內(nèi)，W納米級的超高光 譜分辨率對目標地物進行成像，同時獲取數(shù)百個波段，形成連續(xù)光譜圖像。高光譜成像技術 是在多光譜成像的基礎上，從紫外到紅外的光譜范圍內(nèi)，利用成像光譜儀在光譜覆蓋范圍 內(nèi)數(shù)百條光譜波段對目標物體連續(xù)成像，獲得物體空間特征信息的同時也獲得被測物體豐 富的光譜信息，使得許多原本在多光譜遙感圖像中無法獲取的光譜信息得W探測。高光譜 成像技術具有波段多、光譜分辨率高、光譜范圍廣與圖譜合一等特點，能夠利用豐富的光譜 信息挖掘地物特征信息，運使得高光譜成像技術成為21世紀遙感探測領域重要的研究方向 之一。目前，許多國家開展大量的科研項目對高光譜遙感進行研究，逐步從地面遙感發(fā)展到 航空和航天遙感應用平臺相結合的階段，并在諸如地圖繪制、資源勘探、農(nóng)作物監(jiān)測、精細 農(nóng)業(yè)、災害調(diào)查、目標偵查、海洋環(huán)境監(jiān)測和戰(zhàn)場環(huán)境監(jiān)測等領域發(fā)揮重要的作用。
[0003] 高光譜圖像可W看作一個數(shù)據(jù)立方體，其二維空間特征可W用來表述待測地物的 地表空間分布，一維光譜特征可W用來表述每個像素所代表地物的光譜屬性信息，從而實 現(xiàn)高光譜遙感圖像二維空間特征信息與一維光譜特征信息的有機結合。光譜空間中，高光 譜圖像的每個像素對應一條近似連續(xù)的光譜曲線，反映了待測地物光譜反射率隨光譜波長 的變化情況。使用光譜空間對高光譜圖像進行分析時，主要是利用不同類別地物的光譜特 征屬性不同，同類別地物的光譜特征屬性相似的特點，通過實際獲得的光譜曲線與光譜數(shù) 據(jù)庫的樣本光譜曲線間的對比來區(qū)分不同地物。
[0004] 神經(jīng)網(wǎng)絡算法是應用于圖像分類與模式識別的常用方法之一，通過分層構造眾多 淺層神經(jīng)元節(jié)點，層與層間通過可調(diào)的連接權值連接，可逐層提取圖像特征。深度學習是近 年來提出的一種改進神經(jīng)網(wǎng)絡算法，通過組合低層特征形成更加抽象的高層表示屬性類別 或特征，W發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。通過改進神經(jīng)網(wǎng)絡的訓練過程，能夠避免反向傳播 所帶來的梯度擴散現(xiàn)象，從而構造出更深層的網(wǎng)絡結構W便進行特征提取與分類，具有大 規(guī)模并行處理、分布式信息存儲、W及良好的自組織自學習能力等特點。
[0005] 目前，應用在高光譜圖像數(shù)據(jù)上的分類技術有很多，然而由于對象不同于傳統(tǒng)的 二維圖像，在光譜維有著豐富的光譜信息，因而處理復雜程度大大增加，利用不同分類方法 得到的識別結果有很大差異。

【發(fā)明內(nèi)容】

[0006] 為了解決Ξ維高光譜圖像數(shù)據(jù)特征提取與分類的問題，本發(fā)明提供了一種基于多 層卷積網(wǎng)絡與數(shù)據(jù)重組折疊的高光譜數(shù)據(jù)分類方法，通過對圖像的光譜維信息進行重組折 疊獲得表征該像元的光譜特征圖，并利用多層卷積神經(jīng)網(wǎng)絡構建分類器，從而實現(xiàn)高光譜 圖像數(shù)據(jù)的分類。
[0007] 本發(fā)明的目的是通過W下技術方案實現(xiàn)的：
[0008] -種基于多層卷積網(wǎng)絡與數(shù)據(jù)重組折疊的高光譜數(shù)據(jù)分類方法，采用數(shù)據(jù)重組折 疊的方法重新構造出Ξ維圖像矩陣，并獲得每個像元的特征光譜圖作為訓練輸入，通過卷 積的方法提取每層圖像特征，逐層構造深度卷積網(wǎng)絡，并采用標簽對整個網(wǎng)絡進行調(diào)整，獲 得了一個分類性能優(yōu)秀的高精度多分類器。具體實施步驟如下：
[0009] 一、對Ξ維高光譜數(shù)據(jù)展開分類前進行預處理，獲得包含有效光譜信息的數(shù)據(jù)矩 陣與標簽向量。
[0010] 二、對數(shù)據(jù)矩陣進行特征擴維，并對特征維進行按列折疊重組，獲得重組的Ξ維高 光譜數(shù)據(jù)輸入矩陣。
[0011] Ξ、設定多層卷積網(wǎng)絡結構參數(shù)與初始值。
[0012] 四、利用前向傳播與BP算法逐層計算特征與誤差，并對網(wǎng)絡權值與偏置進行更新， 不斷迭代獲得網(wǎng)絡穩(wěn)定參數(shù)，最終獲得能夠用于分類的網(wǎng)絡模型與參數(shù)。
[0013] 本發(fā)明與現(xiàn)有技術相比具有如下優(yōu)點：
[0014] 高光譜圖像包含豐富的光譜信息，可W用于目標探測或分類。傳統(tǒng)的二維圖像處 理方法難W對高光譜Ξ維圖像進行處理與分類。通過卷積網(wǎng)絡構造出深層的神經(jīng)網(wǎng)絡結 構，可W有效地提取像元光譜的深層信息。通過數(shù)據(jù)處理、特征擴充與重組折疊，每個像元 的光譜向量轉化成光譜特征圖作為該像元的輸入特征，并利用圖像的位移不變性與旋轉不 變性，構造卷積核逐層提取像元光譜的深層特征。相比于其他方法，該方法原理清楚，結構 清晰，識別時間短，同時探測辨識率高，是針對高光譜數(shù)據(jù)的一個有效分類方法，適用于高 光譜圖像快速目標探測與分類識別應用。
【附圖說明】
[0015] 圖1為本發(fā)明的流程圖；
[0016] 圖2為KSC數(shù)據(jù)集部分像元波段的光譜采樣曲線；
[0017] 圖3為KSC數(shù)據(jù)集部分像元經(jīng)過數(shù)據(jù)重組后獲得的光譜特征圖；
[0018] 圖4為KSC數(shù)據(jù)集部分像元光譜特征圖逐層特征提取得到的子特征圖。
【具體實施方式】
[0019] 下面結合附圖對本發(fā)明的技術方案作進一步的說明，但并不局限于此，凡是對本 發(fā)明技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的精神和范圍，均應涵蓋 在本發(fā)明的保護范圍中。
[0020]
【具體實施方式】一:本實施方式提供了一種基于多層卷積網(wǎng)絡與數(shù)據(jù)重組折疊的高 光譜數(shù)據(jù)分類方法，在對高光譜數(shù)據(jù)進行展開與預處理后，對像元光譜維進行特征擴維與 光譜維折疊重新形成Ξ維數(shù)據(jù)矩陣，獲得二維光譜特征圖作為分類器的輸入，并逐層構建 卷積神經(jīng)網(wǎng)絡，同時利用像元輸入光譜特征圖與輸出標簽信息作為訓練樣本對光譜維信息 進行深層特征提取與網(wǎng)絡的權值更新，通過多次迭代最終使層間的連接權值與偏置收斂至 穩(wěn)定，最后利用此網(wǎng)絡即可對同一數(shù)據(jù)來源的無標簽樣本進行快速精確的分類。
[0021] 本發(fā)明的流程圖如圖1所示，共分為四個步驟，具體步驟如下：
[0022] 步驟一:對Ξ維高光譜數(shù)據(jù)展開分類前的預處理，從而獲得包含有效光譜信息的 數(shù)據(jù)矩陣與標簽向量。
[0023] 由于高光譜數(shù)據(jù)中包含大量無標簽的像元，無法利用運些像元進行網(wǎng)絡的權值更 新迭代。因此應首先在數(shù)據(jù)中剔除運些無用信息，再進行數(shù)據(jù)的歸一化處理，W方便之后的 操作。
[0024] 1)加載Ξ維高光譜數(shù)據(jù)矩陣與標簽矩陣馬f"。其中a日、b日表示圖像矩陣的 行數(shù)、列數(shù)，no表示高光譜圖像包含的光譜波段數(shù)。
[0025] 2)將Ξ維光譜數(shù)據(jù)矩陣與標簽矩陣巧xb分別展開為二維數(shù)據(jù)矩陣巧《?X"? 與標簽向量王？XI，其中像元總數(shù)mo =日日X bo。
[0026] 3)在包含mo個像元的數(shù)據(jù)矩陣巧"""'"與標簽峨XI中篩選出mi個有確定類別標簽的 像元作為訓練樣本，類別取值從1到SP，類別總數(shù)為SP，重新整理獲得數(shù)據(jù)矩陣F?，x"。與標簽 向量五心1，對于標簽數(shù)組五wixi中第i個標簽以對應的像元，其光譜信息存儲在數(shù)據(jù)矩陣 /7"'ιχ~的第i行向量if"。中。
[0027] 4)對數(shù)據(jù)矩陣進行歸一化處理，得到均值為0的數(shù)據(jù)矩陣
[0028] 步驟二:對數(shù)據(jù)矩陣進行特征擴維，并對特征維進行按列折疊，獲得重組的Ξ維高 光譜數(shù)據(jù)輸入矩陣。
[0029] 卷積神經(jīng)網(wǎng)絡通過多個不同的卷積核來提取每一層二維圖像的特征信息，因而， 對于獲得的每一個像元的光譜信息，需要折疊成一個表示此像元特征的特征圖像，來對其 進行特征提取與運算。為保證折疊的可行性，需要對數(shù)據(jù)矩陣首先進行特征維擴維處理。
[0030] 1)設定光譜特征圖矩陣的行數(shù)為ai，列數(shù)為bi。
[0031] 2)數(shù)據(jù)矩陣護"'X"。進行擴維處理后得到矩陣#'":|響雌>。
[0032] 3)對矩陣護心的每行元素進行折疊，對二維矩陣重組得到表征光譜信息的Ξ 維矩陣尸x6x'"i。重組折疊方法指定如下:若行ai小于等于列bi，則進行按列折疊;若列bi小于 行ai，則按列折疊后，再對矩陣追加一次轉置操作。此時，對于標簽數(shù)組中第i個元素以對應 的像元，其光譜特征信息存儲在大小為aiXbi的特征圖像矩陣_/,"iXh中。
[003引 4)對標簽向量r'xi擴展成矩陣，其中對于向量中第i個元素，Li表示對 應像元的類別，矩陣F^^^l^""的第巧向量礦W中第1^1個元素為1，其余為0。
[0034] 通過本步驟，獲得了網(wǎng)絡的輸入矩陣與輸出矩陣r?ixw，為后續(xù)網(wǎng)絡的參數(shù) 訓練做好了準備。
[0035] 步驟Ξ:多層卷積網(wǎng)絡結構參數(shù)與初始值的設定。
[0036] 1)設定網(wǎng)絡的深度為P、迭代步數(shù)為k、初始迭代步數(shù)ki=l。
[0037] 2)設定卷積層與降采樣層的特征子圖參數(shù)S={si，s2，一，sp}。
[0038] 3)對卷積核權重WW進行隨機值初始化，并初始化每層偏置bW = 〇,每層網(wǎng)絡權重 梯度AWW = 0,偏置梯度AbW = 〇;設置學習率為α，誤差限為er。
[0039] 通過本步驟，建立了卷積神經(jīng)網(wǎng)絡的整體模型，網(wǎng)絡的初始權值與迭代參數(shù)得到 了初始化，并為后續(xù)迭代做好了準備。
[0040] 步驟四：利用前向傳播與BP算法逐層計算特征與誤差，并對網(wǎng)絡權值與偏置進行 更新。
[0041] 卷積神經(jīng)網(wǎng)絡利用圖像的位移不變性與旋轉不變性，通過卷積核對輸入層進行采 樣映射得到輸出特征，逐層構建卷積網(wǎng)絡進行特征的提取，并采用BP算法對網(wǎng)絡參數(shù)更新， 最終獲得能夠用于分類的網(wǎng)絡模型與參數(shù)。
[0042] 1)將訓練樣本Γ-6χ"ι作為mi個輸入送入網(wǎng)絡，其中第j個像元數(shù)據(jù)矩陣· /f 6作為激 勵坤|，通過卷積運算與激活函數(shù)逐層獲得網(wǎng)絡隱含層的激勵：
[0045] 其中，第i層網(wǎng)絡節(jié)點j的激勵為，第i層網(wǎng)絡所有節(jié)點激勵經(jīng)過線性加權得到 對應于第i+1層節(jié)點j的總加權輸入zf?經(jīng)過非線性函數(shù)f(.)映射從而獲得該節(jié)點 的激勵坤-"1。
[0046] 2)將第P層的激勵響應xf與訓練輸入對應的輸出yfw求差，從而獲得隱層和輸 出層的響應誤差eW。通過誤差反向傳播計算各層節(jié)點殘差，從而得到各層權重與偏置 的梯度，分別即
剛有：
[005。 其中，f'( ·)為f( ·)的導數(shù)。
[0052] 3)利用梯度下降公式逐級進行權重與