[發明專利]一種基于改進深度學習模型的高光譜圖像分類方法

在審

• 申請號: 201810161767.0
• 申請日: 2018-02-26
• 公開（公告）號: CN108388917A
• 公開（公告）日: 2018-08-10
• 發明（設計）人: 楊爽;劉軍
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/063;G06N3/08
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 劉曉嵐

1.一種基于改進深度學習模型的高光譜圖像分類方法，其特征在于：包括以下步驟：

步驟1、構建集成深度學習網絡模型，具體方法為：

步驟1.1：通過構建卷積層和池化層提取圖像特征；

步驟1.2：多次隨機抽取步驟1.1提取的圖像特征構建多種分類模型，并根據不同的分類模型所得的分類結果進行聚合得到圖像的最終分類結果，完成集成深度學習網絡模型的構建；

步驟2、對待分類的高光譜圖像數據進行重構；

步驟3、將進行重構的高光譜圖像數據，按行輸入到步驟1構建的集成深度學習網絡模型中，實現對高光譜圖像上的地物進行精細分類。

2.根據權利要求1所述的一種基于改進深度學習模型的高光譜圖像分類方法，其特征在于：所述步驟1.1的具體方法為：

采用一個或多個卷積層與池化層交替構建提取圖像特征，在卷積層，每個卷積核以一定的步長對圖像提取不同特征，重復的作用于整個感受野中，每一個卷積核共享相同的參數，包括相同的權重矩陣和偏置項；卷積核上的每個神經元對局部進行感知，然后在更高層將局部信息綜合起來得到全局信息，減少神經元之間的連接數，進而減少需要訓練的權值參數，加快神經網絡模型訓練的速度。

3.根據權利要求2所述的一種基于改進深度學習模型的高光譜圖像分類方法，其特征在于：所述卷積層的構建公式如下式所示：

其中，m＝1,2,3,...表示構建的集成深度學習網絡模型的層數，c表示卷積層，p表示池化層，為第m層卷積層的輸出結果，表示第m-1層池化層的輸出結果，λ_m＝{W_m,b_m}為第m層卷積層參數項，W_m為第m層卷積核權重，b_m為第m層偏置項，σ()為激勵函數，整個模型中激勵函數使用Batch Normalization函數，并通過mini-batch對相應的動作做規范化操作，固定模型中每層輸入的均值與方差，保證整個模型的容納能力，克服深度神經網絡難以訓練的弊病，防止梯度彌散；

同時，模型中每一層的迭代使用多個小尺寸的卷積核，相當于一個大尺寸卷積核的功能，但比一個大尺寸卷積層有更多非線性且需要處理的參數少，使得構建的模型的判決函數更加具有判決性；

所述池化層為對圖像進行卷積后得到的圖像的不同位置特征進行聚合統計，構建公式如下所示：

其中，表示第m層池化層的輸出結果，pool()為池化函數，其方法為計算圖像一個區域上的某個特定特征的平均值average或最大值max。

4.根據權利要求1所述的一種基于改進深度學習模型的高光譜圖像分類方法，其特征在于：所述步驟1.2的具體方法為：

每一次隨機抽取50％的圖像特征，對多個隨機抽取的圖像特征采用不同的分類模型進行分類，使多個決策者共同決策一個實例的分類從而提高分類模型的泛化能力；

所述每個分類模型均為采用不同的卷積層與池化層以不同卷積核大小、不同形式交替構建卷積神經網絡模型，同時分類模型還包括常用的支持向量機SVM分類器；由于各分類模型的全連接層參數冗余，每個分類模型使用全局平均池化替代全連接層，防止過擬合現象及避免對輸入的測試圖像需為固定大小的限制；最后對多個分類模型的分類結果進行聚合得到所有分類結果，對此投票，以少數服從多數的原則得到最終的圖像分類結果，完成集成深度學習網絡模型的構建。