[發明專利]一種基于3D卷積神經網絡的高光譜圖像解混方法及系統

有效

• 申請號: 201811563969.4
• 申請日: 2018-12-20
• 公開（公告）號: CN109389106B
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 李杏梅;王心宇;陳雪晴;劉曉杰
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 金慧君

1.一種基于3D卷積神經網絡的高光譜圖像解混方法，其特征在于：包括以下步驟：

S101：構造n個大小為S×S×L的訓練樣本，并設定訓練樣本中各端元豐度樣本的大小為S×S×M，將各個訓練樣本以每個像元為中心，提取S1×S1的空間特征，再加上各個訓練樣本的中心像元的豐度值，合成訓練樣本集；其中，S為訓練樣本空間大小，L為訓練樣本的波段數；M為訓練樣本的地物種類；S1為窗口大小；所述訓練樣本與真實圖像的波段數量相等；

S102：利用步驟S101中得到的訓練樣本集對3D卷積神經網絡進行訓練，得到訓練后的3D卷積神經網絡；

S103：利用訓練后的3D卷積神經網絡對待解混的真實圖像進行解混，得到真實圖像的豐度矩陣；所述豐度矩陣即為解混結果；

步驟S102中，所述3D卷積神經網絡有兩個3D卷積層C1和C2，和一個全連通層F1；C1中有2個卷積核，C2中有4個卷積核；

步驟S102中，采用softmax分類器訓練3D卷積神經網絡，利用梯度下降法將誤差反向傳播來最小化3D卷積神經網絡的損失，采用附加動量法更新3D卷積神經網絡的卷積核，如公式(1)和公式(2)所示：

w_i+1＝w_i-εm_i+1 (2)

上式中，i大于0，為迭代次數，m為動量，ε表示學習率，w表示權值，mc為動量因子；

步驟S103中，利用訓練后的3D卷積神經網絡對真實圖像進行解混的具體步驟包括：

S201：將真實圖像作為輸入數據，輸入第一個3D卷積層，得到2個三維數據C1out；

S202：利用ReLU函數對所述三維數據C1out進行處理后，得到2個處理后的三維數據C1REout，并把這2個處理后的三維數據C1REout作為輸入送入第二個卷積層，得到4個三維數據C2out；

S203：利用ReLU函數對所述三維數據C2out進行處理，得到4個處理后的三維數據C2REout，并將這四個三維數據C2REout按順序排成一列，得到1個特征向量；

S204：將所述特征向量作為輸入送入到全連接層F1中，得到對應的豐度矩陣。

2.如權利要求1所述的一種基于3D卷積神經網絡的高光譜圖像解混方法，其特征在于：步驟S103中，根據得到的解混結果，對圖像進行重構，得到重構圖像；然后將所述重構圖像與真實圖像進行對比，計算所述重構圖像與真實圖像的定量誤差值RMSE；并根據所述定量誤差值RMSE來判斷當前3D卷積神經網絡的圖像解混效果；RMSE越小，說明圖像解混效果越好；RMSE的計算公式如公式(3)所示：

上式中，y_i為真實圖像中的第i個像元，為重構圖像的第i個像元，i＝1,2,…,n，n為重構圖像的像元總個數；重構圖像和真實圖像的像元總個數相等。

3.一種基于3D卷積神經網絡的高光譜圖像解混系統，用于實現如權利要求1-2任一所述的一種基于3D卷積神經網絡的高光譜圖像解混方法，其特征在于：包括以下模塊：

訓練樣本構造模塊，用于構造n個大小為S×S×L的訓練樣本，并設定訓練樣本中各端元豐度樣本的大小為S×S×M，將各個訓練樣本以每個像元為中心提取S1×S1的空間特征，再加上各個訓練樣本的中心像元的豐度值，合成訓練樣本集；其中，S為訓練樣本空間大小，L為訓練樣本波段數；M為訓練樣本的地物種類；S1為窗口大??；所述訓練樣本與真實圖像的波段數量相等；

網絡訓練模塊，用于利用步驟S101中得到的訓練樣本集對3D卷積神經網絡進行訓練，得到訓練后的3D卷積神經網絡；

解混模塊，用于利用訓練后的3D卷積神經網絡對待解混的真實圖像進行解混，得到真實圖像的豐度矩陣；所述豐度矩陣即為解混結果。