[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（公告）號(hào): CN104102929B
• 公開（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

技術(shù)領(lǐng)域

本發(fā)明涉及基于深度學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法，屬于高光譜數(shù)據(jù)分類技術(shù)領(lǐng)域。

背景技術(shù)

隨著機(jī)載及星載高光譜傳感器的成功研制，對(duì)遙感數(shù)據(jù)的光譜分辨力得到了極大的提高，它使多光譜遙感不能解決的問題得以解決，與此同時(shí)，高維數(shù)據(jù)的處理也成為了一個(gè)急需解決的問題。數(shù)據(jù)的高維度來自于高的光譜分辨率，對(duì)于光譜分辨率達(dá)到納米級(jí)的高光譜遙感在光譜上的數(shù)據(jù)維可以達(dá)到數(shù)百維，而眾多在低維空間表現(xiàn)很好的算法，在高光譜數(shù)據(jù)的高維空間內(nèi)受到了很大限制。

目前，解決高光譜數(shù)據(jù)高維度問題的主流方法是特征提取。然而對(duì)于高光譜數(shù)據(jù)中蘊(yùn)含的非線性特征，是否采用了適當(dāng)?shù)奶卣魈崛》椒▽?duì)于高光譜數(shù)據(jù)的分類有著至關(guān)重要的影響。現(xiàn)有對(duì)蘊(yùn)含非線性特征的高光譜數(shù)據(jù)分類方法存在分類精度低，適用性差的缺陷。

發(fā)明內(nèi)容

本發(fā)明目的是為了解決現(xiàn)有對(duì)蘊(yùn)含非線性特征的高光譜數(shù)據(jù)進(jìn)行分類的方法存在分類精度低的問題，提供了一種基于深度學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法。

本發(fā)明所述基于深度學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法，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；

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；

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)；

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。

高光譜原始數(shù)據(jù)的光譜特征向量的獲得方法為：

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。

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)。

步驟三中由高光譜整合數(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)試樣本的方法為：

首先讀取高光譜整合數(shù)據(jù)，該高光譜整合數(shù)據(jù)以三維矩陣的形式存儲(chǔ)，它由二維的空間特征信息和一維的光譜特征向量組成；與高光譜整合數(shù)據(jù)各像素點(diǎn)空間位置對(duì)應(yīng)的真實(shí)地物標(biāo)記圖為二維矩陣，該二維矩陣作為監(jiān)督數(shù)據(jù)，監(jiān)督數(shù)據(jù)以整數(shù)值的形式標(biāo)記真實(shí)地物標(biāo)記圖中相應(yīng)像素點(diǎn)的地物類別，使具有同一地物類別的像素點(diǎn)具有相同的標(biāo)記整數(shù)值，所有標(biāo)記整數(shù)值形成標(biāo)記樣本；