[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

本發明提供了一種基于3D卷積神經網絡的高光譜圖像解混方法及系統，其方法包括：首先利用真實遙感圖像的光譜特征庫構造訓練樣本集，并利用訓練樣本集和softmax分類器對3D卷積神經網絡進行訓練；然后將真實圖像輸入訓練好的3D神經網絡中進行圖像解混，得到真實圖像對應的豐度矩陣，即解混結果。本發明的有益效果是：本發明提出一種高光譜圖像解混的新方法，利用本發明所提出的3D卷積神經網絡對高光譜圖像進行解混，幾乎不需要調節參數，就可以獲得令人滿意的結果，相比于其他方法，本發明所提出的技術方案更加簡單實用。

技術領域

本發明涉及圖像領域，尤其涉及一種基于3D卷積神經網絡的高光譜圖像解混方法及系統。

背景技術

對于高光譜圖像混合像元分解的研究始于20世紀90年代中期，限于當時的計算機硬件水平，這一時期的研究者只提出了一些過程簡短、計算簡單的混合像元分解算法，但其給出的研究混合像元分解問題的思路和提出的線性光譜混合模型直到20年后仍然是這一領域的理論基礎。

光譜的混合模型分為線性模型和非線性模型。

線性光譜混合模型是假設太陽入射輻射只與一種地物表面發生作用，物體間沒有互相作用，每個光子僅能將一種物質的信號疊加到像元光譜中。假設當同一場景內三種物體的反射光同時射入一個傳感器內，所測光譜即為三個物體反射光譜的加權平均，相應的權重即代表每個地物的比例。

非線性光譜混合模型考慮了同一場景內多種地物之間反射光的相互作用。其中，Hapke混合光譜模型針對星球表面提出，難以適用于有植被覆蓋的地表，數據收集困難；K-M理論大多應用于采礦領域的光譜解混，但只能在一有限范圍內將反射率轉換成物質吸收系數成比例的量；雙線性模型(bilinear mixing model)考慮到光子與地物的多次相互作用，在線性模型中添加互相作用的部分來對多光子之間的相互作用進行說明。盡管眾多學者開始更多地將研究拓展至非線性領域，但與線性混合模型相比，非線性混合模型仍很不完善。

發明內容

為了解決上述問題，本發明提供了一種基于3D卷積神經網絡的高光譜圖像解混方法及系統，一種基于3D卷積神經網絡的高光譜圖像解混方法，主要包括以下步驟：

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。

進一步地，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。

進一步地，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。

進一步地，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；