[發(fā)明專利]基于自適應(yīng)卷積核卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像像素級(jí)分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710371308.0
• 申請(qǐng)日: 2017-05-24
• 公開（公告）號(hào): CN107203783B
• 公開（公告）日: 2020-09-01
• 發(fā)明（設(shè)計(jì)）人: 張艷寧;丁晨;李映;夏勇;魏巍;張磊
• 申請(qǐng)（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 王鮮凱

1.一種基于自適應(yīng)卷積核卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像像素級(jí)分類方法，其特征在于包括以下步驟：

步驟一、隨機(jī)從遙感圖像R選取M個(gè)以像素為中心的圖像塊作為樣本，中心像素類別代表其圖像塊的類別，每個(gè)像素塊大小為m×m；其中從M個(gè)樣本中提取M_T個(gè)作為訓(xùn)練樣本其中，遙感圖像R包含r×r個(gè)像素點(diǎn)，M_TM；

從M_T個(gè)訓(xùn)練樣本中隨機(jī)選取大小為n×n的N個(gè)圖像塊作為聚類數(shù)據(jù)；

步驟二、采用MCFSFDP聚類方法自適應(yīng)確定卷積核；

將圖像塊拉成列向量，作為聚類數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)，其數(shù)據(jù)點(diǎn)表示為j，且j的取值范圍為[1，N]；d_jk＝dist(j，k)表示數(shù)據(jù)點(diǎn)j和k之間的歐氏距離；

每一個(gè)數(shù)據(jù)點(diǎn)j的局部密度ρ_j計(jì)算：

當(dāng)d_jk-d_c0，χ(d_jk-d_c)＝1，否則χ(d_jk-d_c)＝0；d_c是一個(gè)截?cái)嗑嚯x，這里表示所有點(diǎn)與點(diǎn)的歐式距離中由小到大排列占總數(shù)2％的距離數(shù)值；

δ_j表示數(shù)據(jù)點(diǎn)j與比其密度高的所有點(diǎn)k之間的最近距離，如公式(2)所示：

式中，k為數(shù)據(jù)點(diǎn)；ρ_k為數(shù)據(jù)點(diǎn)k的局部密度；d_jk＝dist(j，k)表示數(shù)據(jù)點(diǎn)j和k之間的歐氏距離；

對(duì)于擁有最大密度的點(diǎn)其距離為所有點(diǎn)與點(diǎn)距離的最大值δ_j＝max_k(d_kj)；d_kj為數(shù)據(jù)點(diǎn)k與j之間的歐氏距離；

對(duì)于每個(gè)數(shù)據(jù)點(diǎn)j，都有與其對(duì)應(yīng)的密度值ρ_j和距離值δ_j；距離閾值δ為選擇數(shù)據(jù)點(diǎn)為聚類結(jié)果的唯一標(biāo)準(zhǔn)；

num_v＝f(δ_v) (3)

式中，δ_v表示距離上有數(shù)據(jù)點(diǎn)的距離值，num_v為δ_j≥δ_v的數(shù)據(jù)點(diǎn)j的個(gè)數(shù)；對(duì)公式(3)求微分得：

con_v＝[f(δ_v+1)-f(δ_v)]/(δ_v+1-δ_v) (4)

con_v為數(shù)據(jù)點(diǎn)個(gè)數(shù)與距離值的微分；δ_v和δ_v+1表示擁有數(shù)據(jù)點(diǎn)的距離閾值的相鄰值δ_v+1δ_v；對(duì)公式(4)中距離閾值相鄰值δ_v、δ_v+1上的con_v與con_v+1做商，再對(duì)結(jié)果求絕對(duì)值，如公式(5)所示：

quo_v＝|con_v/con_v+1| (5)

quo_v表示兩個(gè)相鄰距離閾值上微分的商的絕對(duì)值；

當(dāng)在某距離閾值區(qū)間δ_r(δ_v-1，δ_v，δ_v+1∈δ_r)上的數(shù)據(jù)點(diǎn)數(shù)num_v趨近穩(wěn)定，即在此距離閾值區(qū)間上數(shù)據(jù)點(diǎn)個(gè)數(shù)擁有的數(shù)據(jù)點(diǎn)個(gè)數(shù)在相差不大；在這個(gè)區(qū)間的距離閾值δ_v上存在quo_v的局部極大值，此時(shí)這個(gè)距離值δ_v被確定為自適應(yīng)距離閾值δ_A；

當(dāng)數(shù)據(jù)點(diǎn)j的距離δ_jδ_A時(shí)，j被選擇為類中心點(diǎn)；將選擇到的類中心點(diǎn)j重新轉(zhuǎn)換為原有大小n×n的圖像塊，即為自適應(yīng)卷積核w^k；

步驟三、基于自適應(yīng)卷積核的CNN訓(xùn)練；

基于自適應(yīng)卷積核的CNN網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、卷積層、池化層、兩個(gè)全連接層和一個(gè)softmax分類器；

圖像塊樣本表示為z，c表示遙感圖像中的波段數(shù)量；經(jīng)過第k’個(gè)卷積核后的特征圖如公式(6)所示，此卷積核使用步驟二中預(yù)先學(xué)習(xí)到自適應(yīng)卷積核：

式中，σ表示限制線性單元函數(shù)；表示第k’個(gè)卷積核；x表示圖像塊位置橫坐標(biāo)；y表示圖像塊位置縱坐標(biāo)；a表示卷積核上卷積點(diǎn)橫坐標(biāo)；b表示卷積核上卷積點(diǎn)縱坐標(biāo)；

降采樣后第k’個(gè)特征圖如公式(7)所示：

式中，px表示特征圖上p中橫坐標(biāo)為x的點(diǎn)的位置；p(x-1)表示特征圖上p中橫坐標(biāo)為x-1的點(diǎn)的位置；py表示特征圖上p中縱坐標(biāo)為y的點(diǎn)的位置；p(y-1)表示特征圖上p中橫坐標(biāo)為y-1的點(diǎn)的位置；

這里降采樣采用非交疊降采樣方式；

使用訓(xùn)練樣本訓(xùn)練最后的softmax分類器，訓(xùn)練得到訓(xùn)練好的CNN網(wǎng)絡(luò)；

步驟四、使用遙感圖像測(cè)試樣本進(jìn)入上一步訓(xùn)練好的CNN網(wǎng)絡(luò)，正向計(jì)算后得到遙感圖像像素級(jí)分類。