[發明專利]基于鄰域信息深度學習的高光譜圖像分類方法

有效

• 申請號: 201711056924.3
• 申請日: 2017-10-27
• 公開（公告）號: CN107798348B
• 公開（公告）日: 2020-02-18
• 發明（設計）人: 劉憶森;周松斌;黃可嘉;李昌;韓威;劉偉鑫
• 申請（專利權）人: 廣東省智能制造研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 廣州容大專利代理事務所(普通合伙) 44326
• 代理人: 劉新年;潘素云

1.一種基于鄰域信息深度學習的高光譜數據分類方法，其特征在于，包括如下步驟：

S1、對高光譜圖像數據，隨機劃分訓練集與測試集；

S2、提取空間信息：以每一像素點n×n鄰域內訓練集樣本的類歸屬與n×n鄰域內所有樣本的l維主成分得分，作為每一樣本的空間信息，空間信息維度為n×n×(l+1)，記為S；

S3、將訓練集每一樣本的光譜信息S’與空間信息S共同放入卷積神經網絡，進行模型訓練；

S4、將測試集每一樣本的光譜信息S’與空間信息S共同放入模型，進行分類結果預測；

步驟S2中n×n鄰域內空間信息的提取步驟為：

A、提取鄰域類歸屬信息，信號維度為n×n；

B、提取鄰域的前l個主成分得分信息,信號維度為n×n×l；

C、合并鄰域類歸屬信息與鄰域主成分分布信息，得到n×n×(l+1)維的樣本空間信息；

步驟A中提取鄰域類歸屬信息的具體步驟為：

A1、將高光譜圖像分類真值表gt-1中的測試集真值置零,置零后的真值表記作gt-2；

A2、對真值表補零：對高光譜圖像分類真值表gt-2四周區域補零，補零寬度為n/2+1，補零后真值表記作gt-3；

n取奇數，使得樣本位于鄰域信息的中心位置；

A3、假設某一樣本在高光譜圖中的空間坐標為(i,j),則對真值表gt-3分割如下區域，作為該樣本的類歸屬空間信息：

A4、對每一樣本鄰域信息的中間位置，即樣本所在位置的類歸屬置零。

2.根據權利要求1所述的基于鄰域信息深度學習的高光譜數據分類方法，其特征在于，步驟B中提取鄰域主成分得分信息的具體步驟為：

B1、提取主成分：利用主成分分析得到每個樣本的前l個主成分得分，得到主成分圖PC_l；

B2、主成分圖補零：對主成分圖PC_l四周區域補零，補零寬度為n/2+1，補零后真值表記作PC_l-2；

B3、假設某一樣本在高光譜圖中的空間坐標為(i,j)，則對l維主成分得分圖PC_l-2分割如下區域，作為樣本的主成分分布空間信息：

得到的主成分分布信息維度為n×n×l。

3.根據權利要求1所述的基于鄰域信息深度學習的高光譜數據分類方法，其特征在于，S3中的卷積神經網絡的具體結構與步驟如下：

D1、光譜特征提取層：將光譜維信息S’放入一維卷積層進行特征提取，提取后的光譜特征記為F_s’，經過卷積與池化操作，光譜特征的長度記為k，信號維度為m；

D2、空間特征提取層：將空間維信息S放入二維卷積層進行特征提取，并通過全連接層將特征長度拉升到k，得到的特征記為F_s；

D3、融合層：以級聯方式融合光譜維特征F_s’與空間維特征F_s，得到的空譜聯合信息記為F_ss’，信號長度為k，信號維度為m+1；

D4、空譜特征提取層：將空譜聯合信息F_ss’放入一維卷積神經網絡進行聯合特征提取，空譜聯合特征記為F_out；

D5、全連接層：空譜特征提取層的輸出進入全連接層；

D6、輸出層：全連接層的輸出進入輸出層，預測分類結果。