[發(fā)明專(zhuān)利]基于可變形分離卷積的高光譜圖像分類(lèi)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010581348.X
• 申請(qǐng)日: 2020-06-23
• 公開(kāi)（公告）號(hào): CN111667019B
• 公開(kāi)（公告）日: 2023-03-24
• 發(fā)明（設(shè)計(jì)）人: 張鈞萍;閆清宇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06V10/774
• 分類(lèi)號(hào): G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/084
• 代理公司: 哈爾濱市松花江專(zhuān)利商標(biāo)事務(wù)所 23109
• 代理人: 張利明

基于可變形分離卷積的高光譜圖像分類(lèi)方法，屬于圖像處理技術(shù)領(lǐng)域，本發(fā)明為解決現(xiàn)有高光譜圖像分類(lèi)方法精度低的問(wèn)題。它包括：將高光譜圖像每個(gè)像素點(diǎn)的r×r×d鄰域的圖像數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，r表示空間大小，d表示高光譜圖像的波段數(shù)；對(duì)輸入的高光譜圖像經(jīng)過(guò)深度分離卷積提取圖像低層次的特征，獲得特征圖；采用加入可變形運(yùn)算的分離卷積學(xué)習(xí)特征圖對(duì)應(yīng)的偏置，獲得自適應(yīng)圖像的空間分布，再采用光譜卷積運(yùn)算提取深度的特征；將深度特征輸入神經(jīng)網(wǎng)絡(luò)的全連接層和softmax回歸層預(yù)測(cè)每個(gè)類(lèi)的概率分布，完成圖像分類(lèi)。本發(fā)明用于對(duì)高光譜遙感圖像進(jìn)行分類(lèi)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于可變形分離卷積的高光譜圖像分離方法，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)

高光譜遙感圖像是一種多維信息獲取技術(shù)，將傳統(tǒng)的二維成像遙感技術(shù)與光譜技術(shù)相結(jié)合，可以同時(shí)獲取目標(biāo)區(qū)域的二維幾何空間特征和一維光譜特征，利用地物的高光譜圖像進(jìn)行分類(lèi)是高光譜數(shù)據(jù)分析和處理的重要分支，具有重要的應(yīng)用價(jià)值。

然而由于高光譜圖像巨大的數(shù)據(jù)量、波段間較強(qiáng)的相關(guān)性、高維模式、混合像元等問(wèn)題，使得高光譜圖像分類(lèi)面臨巨大挑戰(zhàn)，有限的訓(xùn)練樣本使得一些基于統(tǒng)計(jì)模式識(shí)別的分類(lèi)器參數(shù)無(wú)法準(zhǔn)確估計(jì)，導(dǎo)致維數(shù)災(zāi)難現(xiàn)象。

發(fā)明內(nèi)容

本發(fā)明目的是為了解決現(xiàn)有高光譜圖像分類(lèi)方法精度低的問(wèn)題，提供了一種基于可變形分離卷積的高光譜圖像分類(lèi)方法。

本發(fā)明所述基于可變形分離卷積的高光譜圖像分類(lèi)方法，該圖像分類(lèi)方法包括：

S1、將高光譜圖像每個(gè)像素點(diǎn)的r×r×d鄰域的圖像數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，其中，M表示標(biāo)記樣本個(gè)數(shù)，r表示空間大小，d表示高光譜圖像的波段數(shù)；

S2、對(duì)輸入的高光譜圖像經(jīng)過(guò)深度分離卷積提取圖像低層次的特征，獲得特征圖；

S3、采用加入可變形運(yùn)算的分離卷積學(xué)習(xí)特征圖對(duì)應(yīng)的偏置，獲得自適應(yīng)圖像的空間分布，再采用光譜卷積運(yùn)算提取深度的特征；

S4、將S3獲取的深度特征輸入神經(jīng)網(wǎng)絡(luò)的全連接層和softmax回歸層預(yù)測(cè)每個(gè)類(lèi)的概率分布，完成圖像分類(lèi)。

優(yōu)選的，S2所述獲得的特征圖還包括：

采用最大池化將S2獲得的每個(gè)特征圖進(jìn)行縮小。

優(yōu)選的，S3所述提取深度特征還包括：

采用全局平均池化減少S3提取的深度特征的參數(shù)。

優(yōu)選的，S2所述經(jīng)過(guò)深度分離卷積提取圖像低層次的特征，獲得特征圖，其具體過(guò)程包括：

S2-1、對(duì)輸入的高光譜圖像在空間上進(jìn)行卷積；

S2-2、利用1×1點(diǎn)卷積提取光譜特征，獲得特征圖。

優(yōu)選的，S2-1所述對(duì)輸入的高光譜圖像在空間上進(jìn)行卷積包括：

對(duì)m個(gè)輸入高光譜圖像的特征圖x使用卷積核R進(jìn)行采樣；

對(duì)采樣值進(jìn)行加權(quán)運(yùn)算后求和。

優(yōu)選的，S3所述采用加入可變形運(yùn)算的分離卷積學(xué)習(xí)特征圖對(duì)應(yīng)的偏置，獲得自適應(yīng)圖像的空間分布，其具體過(guò)程包括：

加入可變形運(yùn)算的分離卷積為：

在卷積中引入偏移量{ΔP_n|n＝1,…,N}調(diào)整卷積核R，其中N＝|R|；

獲得自適應(yīng)圖像的空間分布為：