[發(fā)明專利]一種基于自適應空譜多尺度網(wǎng)絡的高光譜圖像分類方法

有效

• 申請?zhí)枺?/td>: 201911336874.3
• 申請日: 2019-12-23
• 公開（公告）號: CN111126256B
• 公開（公告）日: 2022-02-15
• 發(fā)明（設計）人: 杜博;王迪;張良培
• 申請（專利權）人: 武漢大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/40;G06V10/764;G06V10/80;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 武漢科皓知識產(chǎn)權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發(fā)明公開了一種基于自適應空譜多尺度網(wǎng)絡的高光譜圖像分類方法，包括訓練階段和預測階段。訓練階段包括圖像預處理，樣本的選取和網(wǎng)絡訓練。首先將高光譜圖像進行降維處理。在樣本選取階段，從原始和降維高光譜圖像上每類隨機選取適當比例的帶有標記的樣本，然后使用設計好網(wǎng)絡進行訓練。在預測階段，直接將整幅圖像輸入網(wǎng)絡后得到最終的分類結果。

技術領域

本發(fā)明屬于遙感影像處理技術領域，尤其涉及一種基于自適應空譜多尺度網(wǎng)絡方法。

背景技術

隨著傳感器技術的發(fā)展，可以獲得每個像素具有數(shù)百個通道的高光譜圖像，它包含非常豐富的信息。對高光譜圖像進行土地覆蓋分類一直是近年來的熱點問題，它的目標是對高光譜圖像中的每一個像元賦予一個唯一的語義標簽，進而生成一幅精確完整的分類圖。這種分類圖可以為農(nóng)業(yè)，環(huán)境監(jiān)測，材料分析等行業(yè)的決策者提供指導。然而，由于高光譜圖像本身所存在的光譜和空間結構的復雜性，使得這一任務仍然具有一定挑戰(zhàn)性。

傳統(tǒng)的分類方法直接將原始光譜向量輸入到分類器中。這意味著分類器在高維特征空間直接處理這上百個波段的特征。然而，高光譜圖像往往數(shù)據(jù)量有限，有限的樣本在高維空間中分布的極為稀疏，并且這種稀疏程度隨特征維數(shù)增加而增大，這對分類器判別樣本的類別造成了困難，從而造成了分類精度的下降，這種現(xiàn)象叫維數(shù)災難。除此以外，高光譜圖像還具有像素間光譜冗余及空間變異如同物異譜等問題，這些都會對分類精度造成影響。。

近年來，利用深度神經(jīng)網(wǎng)絡自動獲取出目標深層特征的“深度學習”方法逐漸顯示出其強大的威力，其不僅在計算機視覺領域嶄露頭角并逐漸占據(jù)主流，也被應用于高光譜分類領域并且取得了非常好的效果。卷積神經(jīng)網(wǎng)絡則由于其具有局部感知和權重共享的良好特性，在提取特征時不破壞原有的空間結構，因此得到了人們的廣泛關注。除了將高光譜圖像的像元作為光譜向量處理以外，因為高光譜圖像中包含數(shù)百個波段，這些波段往往在狹窄的波長范圍內(nèi)，這意味著相近波段之間可能會存在關聯(lián)，這一思想催生了將高光譜圖像作為序列數(shù)據(jù)進行處理的一系列模型。此類模型旨在提取上下文信息來豐富提取到的特征。

然而，上述工作最終提取到的特征是往往單一尺度的，這意味著輸入分類器的特征圖中每一個像素的感受野大小均相同，這限制了分類精度的提高，而地物不論怎樣縮放其類別應該是保持不變的，因此不同尺度特征應該被考慮在內(nèi)，這有助于提高模型的魯棒性。此外，在深度學習發(fā)展起來以后，已經(jīng)有大量工作利用空譜融合網(wǎng)絡進行高光譜分類，然而，這些工作在空間部分存在一個共性就是單純依賴CNN局部感知的能力，在CNN的卷積操作中，相鄰像素值是利用點乘并行處理的，這意味著CNN難以感知到相鄰像元間存在的空間上下文信息，這限制了分類精度的提高。

發(fā)明內(nèi)容

針對現(xiàn)有技術存在的不足，本發(fā)明提供了一種高精度基于自適應空譜多尺度網(wǎng)絡的高光譜圖像分類方法。

本發(fā)明提供一種基于自適應空譜多尺度網(wǎng)絡的高光譜遙感圖像分類方法，該方法主要包含光譜特征提取與空間特征提取兩個分支，并將兩個分支的特征進行融合，實現(xiàn)空譜聯(lián)合分類。在空間特征提取部分，在已有的多尺度特征提取的基礎上，添加了空間上下文信息提取部分，提取出更有效的多尺度空間上下文特征。在光譜特征提取部分，針對卷積神經(jīng)網(wǎng)絡中信息傳播的特性，添加了光譜上下文信息提取分支，獲得了更有效的多尺度光譜上下文特征。最后，提出了一種有效的特征融合手段將提取出的光譜與空間特征結合起來聯(lián)合分類，進一步改善了高光譜圖像分類效果。本發(fā)明具體包括以下步驟：

步驟1，將高光譜圖像復制一份，取其中一份數(shù)據(jù)進行歸一化處理；

步驟2，從步驟1的另一份高光譜圖像，使用PCA進行降維處理，并進行歸一化，接著采用鏡像方式進行邊界延展；

步驟3，獲取空間數(shù)據(jù)塊，從降維并歸一化后的高光譜圖像中分別提取以待分類像元為中心的w×w×k鄰域范圍內(nèi)的數(shù)據(jù)塊P_w×w×k作為輸入的空間特征，k是降維后高光譜圖像通道數(shù)，