[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

本發明提供的一種基于改進深度學習模型的高光譜圖像分類方法，涉及高光譜圖像技術領域。該方法首先采用一個或幾個卷積層與池化層交替構建提取圖像特征，再分別對得到的圖像特征進行多次隨機抽取構建多種分類模型，通過不同的分類模型進行分類，最后對多個分類結果投票，以少數服從多數的原則得到最終的分類結果，完成對集成深度學習網絡模型的構建。同時對待分類的高光譜圖像數據的進行重構，在保留高光譜圖像的空譜信息的同時增大數據的稀疏性，使高光譜圖像易于分類模型處理。本發明提供的基于改進深度學習模型的高光譜圖像分類方法，計算參數量少，并得到了較高的分類準確性，實現了對高光譜圖像中地物的精細分類。

技術領域

本發明涉及高光譜圖像技術領域，尤其涉及一種基于改進深度學習模型的高光譜圖像分類方法。

背景技術

高光譜圖像的分類是高光譜遙感技術的核心內容之一，是遙感測繪領域和計算機視覺與模式識別等領域研究的重點。

國內外應用在高光譜圖像處理上有各種算法，基于光譜信息空間分類方面，主要分為統計模型分類方法與非參數分類方法。最初，統計模型的最大似然分類是傳統遙感圖像分類中應用最為廣泛的分類方法，隨后還有類似的基于馬氏距離、最小距離等方法都是最大似然特定約束條件下的變形。非參數分類方法在一定程度提高了分類的準確率，主要有神經網絡、基于核方法的分類如支持向量機(SVM)以及支持向量機算法的變形等。在此，為解決高維信息難以處理等問題，對高光譜圖像數據重構稀疏表達后與這些分類器方法相結合。這些分類器均可以用具有一個或兩個隱含層的神經網絡模擬，因此被稱作淺層機器學習模型。

隨著深入的研究，人們發現采用深度學習的方法可以增加模型泛化能力與準確性。近幾年國內外針對高光譜圖像分類問題采用的方法主要是對高光譜圖像采用PCA降維后輸入到深度學習模型，破壞了高光譜圖像的光譜信息，分類準確性還有提高的空間。如2016年沈飛等人提出將高光譜數據稀疏化后輸入到卷積神經網絡，保留了空譜信息，易于模型處理，但分類的準確性沒有明顯的提高。2017年袁琳等人提出采用自動編碼器與卷積神經網絡相結合的模型對高光譜數據分類，能夠自動提取非線性信息增加了分類精度，但也同時增加了模型的參數量，模型不穩定。

發明內容

針對現有技術的缺陷，本發明提供一種基于改進深度學習模型的高光譜圖像分類方法，實現了對高光譜圖像中的地物進行精細分類。

一種基于改進深度學習模型的高光譜圖像分類方法，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，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；

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；