[發明專利]一種利用空洞卷積的高光譜遙感圖像分類方法

有效

• 申請號: 202010630066.4
• 申請日: 2020-07-03
• 公開（公告）號: CN111626267B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 張曉慶;劉偉科;鄭永果
• 申請（專利權）人: 山東科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06K9/62;G06N3/04;G06N3/08;G06V10/774;G06V10/764
• 代理公司: 北京慧智興達知識產權代理有限公司 11615
• 代理人: 劉寶山

1.一種利用空洞卷積的高光譜遙感圖像分類方法，其特征在于，包括以下步驟：

(1)讀取一幅帶分類標簽的高光譜遙感圖像，將每個像素與標注好的標簽，一起送入模型進行訓練；

(2)對步驟(1)中，高光譜遙感圖像的單像素，送入NG-APC模塊進行基于分支組合的空洞卷積處理，獲取特征圖譜，其中NG-APC模塊為：無網格化(Non-Gridding)多層級聯的空洞卷積輕量級深度學習模塊(Non-Gridding Atrous Pyramid Convolution)，簡稱為NG-APC模塊；

其中，所述的送入NG-APC模塊進行基于分支組合的空洞卷積處理，按照如下步驟進行：

(2a)計算NG-APC模塊的串行空洞卷積，NG-APC模塊的空洞擴展率rate和感受野F，通過公式(1)、(2)計算得到：

其中，F表示感受野；r表示空洞擴展率；下標d表示串行卷積中所在的層數；r_d和F_d表示d層卷積的空洞擴展率和感受野；r_dmax和F_dmax表示在保證Non-gridding時，d層卷積的空洞擴展率和感受野可取到的最大值；設F₁表示第一層卷積的感受野，F₁＝(k-1)×r+1，其中k＝3表示卷積核的尺寸，初始設置為r_1max＝1,F_1max＝3,F₁＝3；

(2b)設置NG-APC模塊的分支空洞卷積部分，其中分支數可根據實際應用中對感受野的要求設定，默認值為2；設置NG-APC模塊的不同分支下達到Non-gridding的空洞卷積級聯最大化的空洞擴展率r和感受野F的值：

其中，上標i表示NG-APC模塊的第i個分支；和為第i個分支、第d層卷積的空洞擴展率和感受野在保證Non-gridding時可取到的最大值；初始值設置為根據公式(2)、(3)，在已知卷積級聯深度為n的前提下，先計算1～n-1層的空洞擴展率和感受野，取值可根據實際情況在保證Non-gridding的情況下適當縮小；

(2c)根據公式(3)計算第n層卷積的第i個分支的r和F；

(2d)根據NG-APC模塊中空洞擴展率和感受野的設置值要求，輸入數據的光譜維度的大小，調整選擇每個分支中r和F的取值，并計算出輸入像素的特征圖譜；

(3)使用激活函數Relu對步驟(2)的結果進行特征篩選，其中Relu為激活函數，公式為：f(x)＝max(0,x)，表示取0和x值兩者中的最大值；

(4)使用Concat對步驟(3)的結果進行特征組合，其中Concat的作用就是將兩個及以上的特征圖按照在通道(Channel)維度上進行拼接；

(5)對步驟(4)的結果構造一個具有三個卷積層，三個激活層卷積神經網絡，提取主要特征；

(6)利用一個全連接層和Softmax函數做分類器，其中Softmax表示輸出此分類對應的所有分類概率中最大的類別，即屬于該類別的可能性概率，公式為：j＝1…T，j為圖像中某類別的指數e^j占所有類別數的指數和的比值S_j，T為總的類別數；

(7)對步驟(6)的分類結果，設定學習率為0.005，優化策略使用隨機梯度下降法(SGD)，進行迭代訓練，得到訓練好的深度卷積神經網絡；

(8)將測試樣本輸入到訓練好的網絡中，得到預測的分類標簽，通過與實際標簽比對，可測試分類準確率；將待分類高光譜單像素與測試樣本的參考標簽進行對比，完成高光譜圖像的地物分類。