[發明專利]基于壓縮-激發的聚合殘差網絡高光譜圖像分類方法

在審

• 申請號: 201810550435.1
• 申請日: 2018-05-31
• 公開（公告）號: CN108764357A
• 公開（公告）日: 2018-11-06
• 發明（設計）人: 白靜;張博;宋淑;徐航;焦李成;張帆;張丹;楊韋潔
• 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;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

1.一種基于壓縮-激發的聚合殘差網絡高光譜圖像分類方法，包括：

(1)輸入一幅包含d個波段數的待分類高光譜圖像P及該圖像P的類別標簽；

(2)對輸入的高光譜圖像P的像素值進行預處理，得到預處理后高光譜圖像的前m個主成分PC；

(3)對預處理后的m個主成分PC中每個非背景像元取大小為27×27的正方形鄰域圖像塊，得到取塊后的每個鄰域塊大小為27×27×m的立方體；

(4)從所有鄰域塊中隨機選擇10％以及對應的類別標簽作為訓練樣本集，并將剩余的鄰域塊和對應的類別標簽作為測試樣本集；

(5)構建壓縮-激發的聚合殘差網絡:

(5a)設第一層為卷積核大小為3×3的預卷積層；

(5b)構建8條路徑，每條路徑中設有第二卷積層和第三卷積層，將8個路徑的輸出級聯在一起得到路徑匯總特征矩陣M，設第四卷積層為卷積核大小為1×1的卷積層，將路徑匯總特征矩陣M輸入到第四卷積層得到更深層的特征矩陣S，形成聚合殘差網絡模塊；

(5c)設第一全連接層為激活函數是ReLu的全連接層，設第二全連接層為激活函數是sigmoid的全連接層，將第四卷積層得到更深層的特征矩陣S進行全局平均池化處理后，再經過第一全連接層和第二全連接層輸出權值矩陣T，形成壓縮-激發的網絡模塊；

(5d)將第四卷積層輸出S乘以權值矩陣T，得到經過重標定的特征集U，形成壓縮-激發的聚合殘差網絡模塊；

(5e)將3個具有相同結構和參數的壓縮-激發的聚合殘差網絡模塊堆疊在一起，再對其進行全局平均池化后構建多項式邏輯回歸分類器，形成壓縮-激發的聚合殘差網絡；

(6)將訓練樣本集作為壓縮-激發的聚合殘差網絡的輸入，進行200次迭代的有監督訓練，得到訓練好的壓縮-激發的聚合殘差網絡；

(7)將測試樣本集輸入到訓練好的壓縮-激發的聚合殘差網絡中，得到測試數據集中每個像素的分類結果。

2.根據權利要求1所述的方法，其中步驟(2)中對輸入的高光譜圖像P的像素值進行預處理:

(2a)對高光譜圖像P的像素值進行歸一化操作，得到歸一化后的圖像X；

(2b)對歸一化后的高光譜圖像X進行降維處理；

(2b1)把歸一化后的高光譜圖像每個波段按照先列后行的順序排列成一個列向量，得到向量組:X'＝[x₁,x₂,...,x_p,...,x_d]，其中，x_p表示歸一化后的高光譜圖像X中第p個波段，其中p的范圍是[1,d]，d是高光譜圖像P的波段數；

(2b2)計算向量組X′的中心化向量組Y：

Y＝X'-E(X')

其中，E(X')表示向量組X'的均值向量；

(2b3)計算中心化向量組Y的協方差矩陣Cov：

COV＝YY^T

其中，Y^T表示中心化向量組Y的轉置；

(2b4)對中心化向量組Y的協方差矩陣Cov進行特征分解，得到d個特征值w和對應的d個特征向量u；

(2b5)對d個特征值w對應的d個特征向量u進行排列，并對前mm個特征向量進行組合，得到變換矩U＝[u₁,u₂,...,u_m]；

(2b6)計算歸一化后的高光譜圖像X的前m個主成分：

PC＝X'U＝{PC¹,PC²,...,PC^s,...,PC^m}，

其中，PC^s表示第s個主成分，s的范圍是[1,m]。

3.根據權利要求1所述的方法，其中步驟(5a)中所形成的第一預卷積層,其特征映射圖的數量設為64個。

4.根據權利要求1所述的方法，其中步驟(5b)中所形成的聚合殘差網絡模塊各層參數設置如下：

第二卷積層的卷積核的大小設置為1，特征映射圖的數量為64個；

第三卷積層的卷積核的大小設置為3，特征映射圖的數量為64個；

第四卷積層的特征映射數量為64個。

5.根據權利要求1所述的方法，其中步驟(5c)中的兩個連接層，其特征映射圖個數分別為：第一全連接層特征映射圖個數設置為16；第二全連接層特征映射圖個數設置為64。