[發明專利]基于熵率超像素分割的自編碼器的高光譜圖像分類方法

有效

• 申請號: 201710827902.6
• 申請日: 2017-09-14
• 公開（公告）號: CN107590515B
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 馮婕;王琳;劉立國;焦李成;張向榮;張小華;尚榮華;劉紅英
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 韋全生;王品華

1.一種基于熵率超像素分割的自編碼器的高光譜圖像分類方法，其特征在于，包括如下步驟：

(1)獲取高光譜圖像的訓練樣本集X_p和測試樣本集X_q：

(1a)將三維的高光譜圖像X轉換為二維高光譜圖像X_a，X_a∈R^b×m，其中，b表示X_a的波段個數，m表示X_a的樣本個數；

(1b)隨機選取X_a的10％樣本組成訓練樣本集X_pp，X_pp∈R^b×pp，其余的90％樣本組成測試樣本集X_qq，X_qq∈R^b×qq，其中，pp表示初始訓練樣本集X_pp的數量，qq代表初始測試樣本的數量，且滿足pp+qq＝m；

(1c)按照光譜波段對初始訓練樣本集X_pp和初始測試樣本集X_qq分別進行歸一化操作，得到歸一化后的訓練樣本集X_p和測試樣本集X_q；

(2)構建n層自編碼器網絡：

(2a)構建每一層由輸入層、隱藏層和重構層組成的自編碼器網絡，其中，自編碼器網絡的第l+1層的輸入層等于第l層的隱藏層，l＝1,…,n；

(2b)確定自編碼器網絡各層的節點數、學習速率α和激活函數f(Z)，并對自編碼器網絡第l層的輸入層和隱藏層的連接權值w^(l)和偏差b^(l)以及第l層自編碼器網絡的隱藏層和重構層的連接權值和偏差進行初始化，n層自編碼器網絡構建完成；

(3)對基于熵率超像素分割的自編碼器網絡進行訓練，得到訓練后的基于熵率超像素分割的自編碼器網絡：

(3a)計算自編碼器網絡第l層的重構層激活值

(3a1)將訓練樣本集X_p作為第l層自編碼器網絡的輸入層激活值a^(l)，并利用該輸入層激活值a^(l)計算隱藏層激活值a^(l+1)，計算公式為：

a^(l+1)＝f(Z^(l+1))＝f(w^(l)a^(l)+b^(l))

其中，Z^(l+1)是第l層隱藏層的未激活值；

(3a2)利用自編碼器網絡第l層的隱藏層激活值a^(l+1)計算重構層激活值計算公式為：

其中，是第l層重構層的未激活值；

(3b)定義自編碼器網絡第l層熵率超像素分割約束的計算公式，并將自編碼器網絡第l層的重構層激活值作為該計算公式的輸入，計算自編碼器網絡第l層熵率超像素分割約束J₂(w^(l),b^(l))，l＝1，計算公式為：

其中，N₁是熵率超像素分割區域數目，π_i是第i個熵率超像素分割區域，p,q∈π_i，表示p和q是熵率超像素分割區域π_i內任意兩個鄰近樣本；

(3c)利用自編碼器網絡第l層熵率超像素分割約束J₂(w^(l),b^(l))，計算第l層自編碼器網絡的連接權值w^(l)和偏差b^(l)，l＝1，實現步驟為：

(3c1)利用自編碼器網絡第l層熵率超像素分割約束J₂(w^(l),b^(l))，計算第l層自編碼器損失函數J(w^(l),b^(l))：

其中，λ是熵率超像素分割約束項系數；

(3c2)利用第l層自編碼器損失函數J(w^(l),b^(l))計算第l層自編碼器網絡重構層殘差

(3c3)利用第l層自編碼器損失函數J(w^(l),b^(l))和第l層自編碼器網絡重構層殘差計算第l層自編碼器網絡隱藏層殘差

其中，s_l表示第l層節點的數量，

(3c4)利用第l層自編碼器網絡隱藏層殘差更新第l層自編碼器網絡的連接權值w^(l)和偏差b^(l)：

其中，α是學習速率；

(3c5)重復步驟(3c2)-(3c4)，直至第l層自編碼器損失函數J(w^(l),b^(l))不再改變，得到第l層自編碼器網絡的連接權值w^(l)和偏差b^(l)；

(3d)獲取第l層自編碼器網絡的連接權值w^(l)和偏差b^(l)，l＝2,3，…n：

將第l層自編碼器網絡的隱藏層激活值a^(l+1)作為第l+1層自編碼器網絡的輸入層激活值a^(l)，令l＝l+1，重復步驟(3a)-(3c)，直到l＝n，得到第l層自編碼器網絡的連接權值w^(l)和偏差b^(l)；

(4)利用訓練后的基于熵率超像素分割的自編碼器網絡對高光譜圖像進行分類：

(4a)將測試樣本集X_q輸入到訓練后的基于熵率超像素分割的自編碼器網絡中；

(4b)訓練后的基于熵率超像素分割的自編碼器網絡對測試樣本集X_q進行逐層學習，得到自編碼器網絡的最后一層的隱藏層激活值a⁽ⁿ⁺¹⁾；

(4c)采用softmax邏輯回歸分類器，對自編碼器網絡的最后一層的隱藏層激活值a⁽ⁿ⁺¹⁾進行分類，得到測試樣本集X_q的類別標簽Y_q，即為高光譜圖像的分類結果。