[發明專利]一種高光譜遙感圖像的語義標注方法

有效

• 申請號: 201610058614.4
• 申請日: 2016-01-28
• 公開（公告）號: CN105740894B
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 姜志國;楊俊俐;張浩鵬;史振威
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種高光譜遙感圖像的語義標注方法，其特征在于：該語義標注方法的實施步驟如下：

步驟一：通過所述高光譜遙感圖像的光譜信息和標注真值得到所述高光譜遙感圖像的訓練數據和測試數據；

步驟二：通過所述高光譜遙感圖像的波段數構造卷積神經網絡；

步驟三：通過所述訓練數據對所述卷積神經網絡進行訓練得到卷積神經網絡模型；

步驟四：通過所述卷積神經網絡模型對測試數據進行分類得到語義標注結果；

步驟五：根據所述語義標注結果構造條件隨機場模型的一元勢能函數；

步驟六：在鄰域中用基于改進馬氏距離的邊緣約束模型構造所述條件隨機場模型的二元勢能函數；

步驟七：對所述條件隨機場模型進行一元勢能函數和二元勢能函數的權重調節；

步驟八：對所述條件隨機場模型進行求解得到調節后的語義標注結果；

其中，步驟一所述通過所述高光譜遙感圖像的光譜信息和標注真值得到所述高光譜遙感圖像的訓練數據和測試數據，作法按如下步驟進行：

(1.1)對所述高光譜遙感圖像的光譜信息進行歸一化處理，歸一化后的數據區間為[-1,1]；

(1.2)將所述經歸一化的高光譜遙感圖像的每一類隨機分配設定個樣本點，將所述樣本點構造為訓練數據；

(1.3)將所述經歸一化的高光譜遙感圖像全體像素構造為測試數據；

其中，步驟二所述通過所述高光譜遙感圖像的波段數構造卷積神經網絡，作法按如下步驟進行：

(2.1)分別構造輸入層、卷積層、池化層、全連接層和輸出層，具體過程如下：

設訓練樣本點的波段數為n₁，輸入層與卷積層之間的濾波器個數為m，卷積層的濾波器個數為k₁，池化層濾波器個數為k₂，則卷積層每一個特征圖的維數為n₂＝n₁-k₁+1，卷積層共包含m×n₂個節點；池化層每一個特征的維數為n₃＝n₂/k₂，池化層共包含m×n₃個節點；全連接層含n₄個節點；輸出層含有n₅個節點，且n₅必須等于該高光譜遙感圖像的物類數；

(2.2)初始化相鄰層之間的權重矩陣；

其中，在步驟三中所述的“通過所述訓練數據對卷積神經網絡進行訓練得到卷積神經網絡模型”，其作法按如下步驟進行：

(3.1)根據第二預設參數計算卷積神經網絡的訓練批次；

(3.2)根據所述訓練批次對卷積神經網絡進行前向傳導、反向傳導和梯度下降優化，完成一次迭代；其中前向傳導、反向傳導和梯度下降的具體實施方法見下面所述；

(3.3)根據預設的迭代次數完成卷積神經網絡的訓練，得到卷積神經網絡模型；

上面步驟(3.2)中所述的“前向傳導”是對步驟二中提到的“輸入層、卷積層、池化層、全連接層和輸出層”進行操作，具體實施方法如下：

所述的輸入層與卷積層之間的計算公式為：

其中，l是層數的索引，為輸入層數據，為卷積層數據，Q為輸入層數據集合，為第i個像素點的光譜特征與第j個特征圖之間的權重矩陣，為偏置項，*為卷積操作，f為激活函數；

所述的卷積層與池化層之間的計算過程為：

其中，為卷積層數據，為池化層數據，為乘積因子，down(·)為下采樣函數，這里采用平均值池化；

所述的全連接層將池化層所有輸出拼接成一個大的向量；

所述的輸出層對全連接層進行激活處理得到訓練數據的輸出概率；

上面步驟(3.2)中所述的“反向傳導”的具體實施方法如下：

構造卷積神經網絡的整體代價函數：

其中，J(k,b)為整體代價函數，k為權重矩陣，b為偏置項，m為訓練樣本的個數，{(x₁，y₁)，……(x_p，y_p)，……(x_m，y_m)}構成訓練樣本集，其中x＝{x₁，……，x_m}，y＝{y₁，……，y_m}，h_k,b(x_p)為訓練樣本x_p的輸出概率；

對所述輸出層的每個輸出單元q計算殘差：

其中，為輸出層的單元q所對應的殘差，為輸出層的單元q所對應的輸入加權和；

對第l＝n_l-1,n_l-2,n_l-3,...,2的各個層，第r個節點的殘差計算過程為：

對權重矩陣和偏置項計算偏導數：

其中，為權重矩陣的偏導，為偏置項的偏導；

上面步驟(2)中所述的“梯度下降”的具體實施方法包括：

其中，為更新后的權重矩陣，為更新后的偏置項，α為學習速率；

其中，步驟四所述通過所述卷積神經網絡模型對測試數據進行測試得到語義標注結果，作法按如下步驟進行：

(4.1)通過所述卷積神經網絡模型對所述測試數據進行一次前向傳導得到卷積神經網絡的分類結果；

(4.2)根據所述分類結果提取測試數據對應的分類概率；

其中，步驟五所述根據所述語義標注結果構造條件隨機場模型中的一元勢能函數，它包括：

根據所述分類概率計算條件隨機場的一元勢能函數：

其中P(y_i＝c|x_i,θ)即為所述分類概率；

其中，步驟六所述在鄰域中用基于改進馬氏距離的邊緣約束模型構造條件隨機場模型中的二元勢能函數，它包括：

對所述經歸一化的高光譜遙感圖像的每一個樣本點在八鄰域中計算其二元勢能函數如下：

其中，D(x_i,x_j)為改進的馬氏距離，δ²為(x_i-x_j)^T(x_i-x_j)在整幅高光譜遙感圖像上的均值；

其中，步驟七所述對所述條件隨機場模型進行一元勢能函數和二元勢能函數的權重調節，它包括：固定一元勢能函數的權重，采用五折交叉驗證來調節二元勢能函數的權重；

其中，步驟八所述對所述條件隨機場模型進行求解得到調節后的語義標注結果，作法按如下步驟進行：

(8.1)使用最大流-最小割算法對條件隨機場進行求解，得到所述高光譜遙感圖像的調節后的語義標注結果；

(8.2)對所述調節后的語義標注結果進行精度統計、混淆矩陣計算和可視化處理；

其中，步驟(8.1)中所述“使用最大流-最小割算法對條件隨機場進行圖模型求解”的處理過程包括：

其中，P(y|x,θ)為條件隨機場的整體能量，λ₁為一元勢能函數的權重因子，λ₂為二元勢能函數的權重因子，y^*為使得P(y|x,θ)能量最大的標注結果。