[發(fā)明專利]基于二值量化網(wǎng)絡(luò)的高光譜圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010151137.2
• 申請(qǐng)日: 2020-03-06
• 公開（公告）號(hào): CN111382788B
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 雷杰;蘇展;吳凌云;李云松;謝衛(wèi)瑩;張?chǎng)?/a>
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

本發(fā)明提出了一種基于二值量化網(wǎng)絡(luò)的高光譜圖像分類方法，主要解決高光譜圖像的邊緣模糊、模型復(fù)雜和提取云的空間特征信息不足的技術(shù)問題。實(shí)現(xiàn)步驟為：生成訓(xùn)練集；構(gòu)建全精度卷積神經(jīng)網(wǎng)絡(luò)；訓(xùn)練全精度卷積神經(jīng)網(wǎng)絡(luò)；構(gòu)建二值量化卷積神經(jīng)網(wǎng)絡(luò)；初始化二值量化卷積神經(jīng)網(wǎng)絡(luò)的；訓(xùn)練二值量化卷積神經(jīng)網(wǎng)絡(luò)；對(duì)高光譜圖像進(jìn)行分類。本發(fā)明利用了七個(gè)量化模塊，簡化了傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，充分提取高光譜圖像云層的空間特征信息，在節(jié)省計(jì)算資源的同時(shí)提高了高光譜圖像云分類的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像分類技術(shù)領(lǐng)域中的一種基于二值量化網(wǎng)絡(luò)的高光譜圖像分類方法。本發(fā)明可用于從高光譜圖像中分類出有云圖像和無云圖像。

背景技術(shù)

高光譜成像儀可以在數(shù)百個(gè)狹窄波段內(nèi)對(duì)物體進(jìn)行成像，其波段范圍從可見光覆蓋到紅外波段，“圖譜合一”的特點(diǎn)使其能獲得更多的信息。目前高光譜數(shù)據(jù)處理已成為了國內(nèi)外的一個(gè)重要研究領(lǐng)域。其中，高光譜圖像云分類在航空飛行保障和天氣預(yù)報(bào)等方面都具有重要的理論價(jià)值和應(yīng)用前景。根據(jù)云的占比，高光譜圖像可以分為少云和多云兩大類別。然而，高光譜圖像千變?nèi)f化，無論云的高度、厚度、種類以及太陽高度角等因素，還是高光譜圖像中個(gè)別通道中的噪聲以及部分云層在紅外和水汽上的特征與晴空的特征近似等都會(huì)干擾到高光譜圖像的分類結(jié)果?；谏疃葘W(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)技術(shù)通過特有的非線性映射、自學(xué)習(xí)、自組織的信息處理能力可以深度挖掘圖像特征信息。

西北工業(yè)大學(xué)在其申請(qǐng)的專利文獻(xiàn)“基于三維輕量化深度網(wǎng)絡(luò)的高光譜圖像分類方法”(專利申請(qǐng)?zhí)枺?01811542534.1，申請(qǐng)公開號(hào)：109753996A)中提出了一種高光譜圖像分類方法。該方法設(shè)計(jì)了兩種輕量化模塊，其中一個(gè)輕量化模塊具有4個(gè)卷積層，另一個(gè)具有3個(gè)卷積層。該方法利用7個(gè)輕量化模塊，2個(gè)池化層和1個(gè)全連接層構(gòu)建三維輕量化深度網(wǎng)絡(luò)實(shí)現(xiàn)了有限樣本條件下，高光譜圖像深度特征的自主提取。該方法通過修改全連接層的輸出通道數(shù)來處理不同領(lǐng)域的高光譜圖像分類。當(dāng)全連接層的輸出通道數(shù)設(shè)置為2時(shí)，該方法即可從高光譜圖像中分類出有云圖像和無云圖像。該方法雖然考慮到了網(wǎng)絡(luò)的輕量化設(shè)計(jì)，但是，該方法仍然存在的不足之處是，該方法提取云的邊緣信息時(shí)容易受到下墊面地物信息的干擾，使得該方法提取到的圖像特征信息存在冗余，網(wǎng)絡(luò)模型容易產(chǎn)生過擬合現(xiàn)象，導(dǎo)致云分類后的高光譜圖像的邊緣模糊。而且該方法設(shè)計(jì)的兩種輕量化模塊結(jié)構(gòu)復(fù)雜，加深了神經(jīng)網(wǎng)絡(luò)的層數(shù)，使得該方法復(fù)雜度高，計(jì)算資源消耗巨大。

云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院在其申請(qǐng)的專利文獻(xiàn)“一種基于扁平混合卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法”(專利申請(qǐng)?zhí)枺?01910901178.6，申請(qǐng)公開號(hào)：110689065A)中提出了一種高光譜圖像分類方法。該方法利用多種維度的卷積，在初級(jí)神經(jīng)網(wǎng)絡(luò)模型中引入3個(gè)三維卷積，3個(gè)池化層和1個(gè)二維卷積層，將學(xué)習(xí)到的空間-譜間特征進(jìn)行整合，使之在較少的訓(xùn)練樣本下也能保持特征學(xué)習(xí)能力。該方法采用softmax分類器對(duì)神經(jīng)網(wǎng)絡(luò)提取的高光譜圖像特征信息進(jìn)行提純并給出高光譜圖像每個(gè)類別的預(yù)測(cè)概率。當(dāng)softmax分類器的類別數(shù)設(shè)置為2時(shí)，該方法即可從高光譜圖像中分類出有云圖像和無云圖像。該方法雖然考慮到了三維卷積內(nèi)存占用大、耗時(shí)長的問題，但是，該方法仍然存在的不足之處是，該方法構(gòu)建的神經(jīng)網(wǎng)絡(luò)保留了三維卷積和大量的浮點(diǎn)參數(shù)，使得該方法占用高額的存儲(chǔ)空間，產(chǎn)生大量的乘法運(yùn)算，并且該方法構(gòu)建的神經(jīng)網(wǎng)絡(luò)僅有1個(gè)二維卷積層，使得該方法應(yīng)用在高光譜圖像云分類時(shí)提取云的空間特征信息不足，降低了高光譜圖像的云分類精度。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)存在的不足，提出了一種基于二值量化網(wǎng)絡(luò)的高光譜圖像分類方法，用于解決現(xiàn)有高光譜圖像分類方法用于云分類時(shí)存在的圖像邊緣模糊、方法復(fù)雜度高、運(yùn)算量大和分類精度低的技術(shù)問題。