[發(fā)明專利]雙分支深層結(jié)構(gòu)下的高光譜圖像分類方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201711372365.7
• 申請(qǐng)日: 2017-12-19
• 公開（公告）號(hào): CN108090447A
• 公開（公告）日: 2018-05-29
• 發(fā)明（設(shè)計(jì)）人: 郝思媛;張芬
• 申請(qǐng)（專利權(quán)）人: 青島理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京匯捷知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11531
• 代理人: 李宏偉

1.一種雙分支深層結(jié)構(gòu)下的高光譜圖像分類裝置，其特征在于，裝置包含依次連接的預(yù)處理模塊、雙分支深層結(jié)構(gòu)模塊、融合模塊、分類評(píng)估模塊，其中，

所述預(yù)處理模塊用于將光譜成像儀收集到高光譜影像進(jìn)行校正、去噪、歸一化處理。同時(shí)根據(jù)雙分支深層結(jié)構(gòu)模塊對(duì)輸入數(shù)據(jù)的要求對(duì)圖像進(jìn)行處理；

所述雙分支深層結(jié)構(gòu)模塊用于提取預(yù)處理模塊輸出圖像的光譜特征和空間特征；

所述融合模塊用于融合光譜特征和空間特征；

所述分類評(píng)估模塊用于對(duì)融合后的特征進(jìn)行分類，同時(shí)計(jì)算分類性能指標(biāo)。

2.根據(jù)權(quán)利要求1所述的雙分支深層結(jié)構(gòu)下的高光譜圖像分類裝置，其特征在于，所述預(yù)處理模塊還執(zhí)行如下步驟：

(1)選取實(shí)驗(yàn)平臺(tái)(i5內(nèi)核、2.70-GHz處理器)，配置實(shí)驗(yàn)環(huán)境(Theano、Keras)。

(2)對(duì)成像光譜儀采集的高光譜遙感影像進(jìn)行校正、去噪、標(biāo)注、歸一化。

(3)為雙分支深層結(jié)構(gòu)準(zhǔn)備數(shù)據(jù)(光譜特征提取分支的輸入為像元，空間特征提取分支的輸入是包含鄰域信息的圖像塊)。從高光譜影像中隨機(jī)選取一定比例的像元組成光譜分支的訓(xùn)練集，剩余樣本構(gòu)成光譜分支的測試集。設(shè)定圖像塊的鄰域?qū)挾龋杂?xùn)練集和測試集中的每個(gè)像元為中心剪切出相應(yīng)的鄰域圖像塊，從而獲取空間分支的訓(xùn)練集和測試集。

3.根據(jù)權(quán)利要求1所述的雙分支深層結(jié)構(gòu)下的高光譜圖像分類裝置，其特征在于，所述雙分支深層結(jié)構(gòu)模塊還執(zhí)行如下步驟：

(1)設(shè)置雙分支深層結(jié)構(gòu)的網(wǎng)絡(luò)的參數(shù)，包括堆棧式降噪自編碼器的層數(shù)以及每層包含隱層神經(jīng)元的個(gè)數(shù)，卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層的層數(shù)，卷積層中濾波器的大小和個(gè)數(shù)，隨機(jī)地初始化網(wǎng)絡(luò)參數(shù)。

(2)構(gòu)建基于堆棧式降噪自編碼器的光譜特征提取分支。堆棧式降噪自編碼器是通過將多個(gè)降噪自編碼器層疊起來構(gòu)成的，即將前一層降噪自編碼器的隱層表示作為下一層降噪自編碼器的輸入，隨后利用Pretraining優(yōu)化初始參數(shù)，進(jìn)而獲取每層的最優(yōu)參數(shù)。

(3)構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的空間特征提取分支。假定表示以像元x為中心的圖像塊，且第i層濾波器的個(gè)數(shù)為ni。圖像塊S經(jīng)過第i層卷積層后得到ni個(gè)特征圖，表示為：

Fi(S)＝max(0，Wi*Fi-1(S)+Bi) (1)

其中“*”為卷積運(yùn)算符，Wi和Bi分別表示第i層卷積層的濾波器和偏差。隨后特征圖Fi(S)輸入全連接層后得到：

Fi+1(S)＝s(Wi+1Fi(S)+Bi+1) (2)

其中Wi+1和Bi+1表示全連接層的濾波器和偏差。由于全連接層只能對(duì)矩陣進(jìn)行操作，因此在Fi(S)進(jìn)入全連接層之前應(yīng)該將其轉(zhuǎn)化矩陣。此外，在每個(gè)卷積層后都可以加入池化層。