[發(fā)明專利]基于深度學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410359935.9
• 申請(qǐng)日: 2014-07-25
• 公開(kāi)（公告）號(hào): CN104102929B
• 公開(kāi)（公告）日: 2017-05-03
• 發(fā)明（設(shè)計(jì)）人: 陳雨時(shí);趙興;王強(qiáng);時(shí)春雨
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所23109
• 代理人: 張利明

1.一種基于深度學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法，其特征在于，它包括以下步驟：

步驟一：讀取高光譜原始數(shù)據(jù)，采用主成分分析法獲得高光譜原始數(shù)據(jù)的特征值和特征向量，進(jìn)而獲得高光譜原始數(shù)據(jù)的光譜特征向量；再對(duì)高光譜原始數(shù)據(jù)的光譜特征向量進(jìn)行鄰域信息提取，獲得高光譜原始數(shù)據(jù)的空間特征信息；

首先計(jì)算出高光譜原始數(shù)據(jù)的協(xié)方差矩陣，根據(jù)協(xié)方差矩陣采用主成分分析法計(jì)算獲得所有高光譜原始數(shù)據(jù)的特征值和特征向量，并按照特征值從大到小的順序，排列相應(yīng)的特征向量；使用特征向量作為加權(quán)系數(shù)計(jì)算獲得所有特征向量的B個(gè)波段主成分分量，將所有包含B個(gè)波段主成分分量的特征向量作為高光譜原始數(shù)據(jù)的光譜特征向量；B為正整數(shù)；

高光譜原始數(shù)據(jù)的空間特征信息的獲得方法為：

選取高光譜原始數(shù)據(jù)的光譜特征向量的B個(gè)波段主成分分量中排列在前的N個(gè)主成分分量，將N個(gè)主成分分量中每一個(gè)主成分分量作為一幅二維灰度圖像；對(duì)每幅二維灰度圖像進(jìn)行如下處理：

選定二維灰度圖像中任意一個(gè)像素點(diǎn)，該像素點(diǎn)的位置坐標(biāo)為(x_i,y_i)，以該像素點(diǎn)為中心確定一個(gè)w×w的鄰域，w為大于1的奇數(shù)，將領(lǐng)域內(nèi)w²個(gè)像素點(diǎn)的灰度值作為該二維灰度圖像中選定像素點(diǎn)在主成分分量P_n下的特征向量，其中n＝1,2,…,N；由此，獲得N個(gè)主成分分量在同一坐標(biāo)位置的像素點(diǎn)的長(zhǎng)度為N×w²的特征向量，將所述長(zhǎng)度為N×w²的特征向量作為像素點(diǎn)(x_i,y_i)的空間特征信息；

步驟二：對(duì)高光譜原始數(shù)據(jù)的光譜特征向量和空間特征信息進(jìn)行整合，獲得高光譜整合數(shù)據(jù)；

步驟三：由高光譜整合數(shù)據(jù)確定標(biāo)記樣本，并由標(biāo)記樣本中選擇訓(xùn)練樣本和測(cè)試樣本；

步驟四：基于深度學(xué)習(xí)方法，使用訓(xùn)練樣本對(duì)構(gòu)成深層網(wǎng)絡(luò)的多層限制玻爾茲曼機(jī)進(jìn)行預(yù)訓(xùn)練，以深層的學(xué)習(xí)高光譜整合數(shù)據(jù)特征并提取特征；

將步驟三中獲得的由訓(xùn)練樣本的特征向量構(gòu)成的二維矩陣作為m層限制玻爾茲曼機(jī)構(gòu)成的深信度網(wǎng)絡(luò)的輸入，其中m為大于2的整數(shù)，通過(guò)非監(jiān)督的學(xué)習(xí)來(lái)訓(xùn)練深信度網(wǎng)絡(luò)；對(duì)于每一層的限制玻爾茲曼機(jī)，可視層作為其輸入，隱層作為其輸出；每層限制玻爾茲曼機(jī)采用相同的隱層節(jié)點(diǎn)數(shù)目，其隱層節(jié)點(diǎn)數(shù)目為h；頂層限制玻爾茲曼機(jī)可視節(jié)點(diǎn)的數(shù)目為特征向量的特征數(shù)目(B+N×w²)；其余層的限制玻爾茲曼機(jī)的輸入為上一層的輸出，可視節(jié)點(diǎn)的數(shù)目為h；

預(yù)訓(xùn)練過(guò)程中，通過(guò)不斷的迭代調(diào)整可視層與隱層之間的連接權(quán)重；

所述可視層包含可視節(jié)點(diǎn)，隱層包含隱層節(jié)點(diǎn)；

步驟五：在步驟四預(yù)訓(xùn)練的基礎(chǔ)上，使用訓(xùn)練樣本對(duì)多層限制玻爾茲曼機(jī)構(gòu)成的網(wǎng)絡(luò)進(jìn)行有監(jiān)督學(xué)習(xí)，以微調(diào)多層限制玻爾茲曼機(jī)構(gòu)成的網(wǎng)絡(luò)；

使用邏輯回歸分類器作為分類器，將深信度網(wǎng)絡(luò)最底層限制玻爾茲曼機(jī)包含有h個(gè)節(jié)點(diǎn)的輸出作為邏輯回歸分類器的輸入，邏輯回歸分類器的輸出節(jié)點(diǎn)數(shù)目為真實(shí)地物標(biāo)記圖中地物類別數(shù)據(jù)C，所述輸出節(jié)點(diǎn)除了對(duì)應(yīng)的類別位置為1，其他節(jié)點(diǎn)均為0；將監(jiān)督數(shù)據(jù)中所有抽取的特征向量形成的二維矩陣作為深信度網(wǎng)絡(luò)的輸入，訓(xùn)練樣本的地物類別標(biāo)號(hào)作為深信度網(wǎng)絡(luò)的輸出，對(duì)整個(gè)深信度網(wǎng)絡(luò)的權(quán)重進(jìn)行微調(diào)；

步驟六：將測(cè)試樣本輸入微調(diào)后的多層限制玻爾茲曼機(jī)構(gòu)成的網(wǎng)絡(luò)，實(shí)現(xiàn)高光譜遙感數(shù)據(jù)的分類。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法，其特征在于，獲得高光譜整合數(shù)據(jù)的具體方法為：將高光譜原始數(shù)據(jù)中像素點(diǎn)(x_i,y_i)的光譜信息視為長(zhǎng)度為B的光譜特征向量，將高光譜原始數(shù)據(jù)中所有在同一坐標(biāo)位置的像素點(diǎn)(x_i,y_i)、長(zhǎng)度為B的光譜特征向量和長(zhǎng)度為N×w²的空間特征信息，整合為長(zhǎng)度為(B+N×w²)的向量，作為高光譜整合數(shù)據(jù)。