[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

本發明涉及人工智能的深度學習與圖像分類處理領域，尤其涉及利用深度卷積神經網絡對高光譜圖像的地物分類。在模型訓練階段，首先將待分類高光譜圖像轉換為帶標簽的單像素的多維圖像，通過利用基于空洞卷積組合模型提取單像素的特征圖譜，再構建一個具有三個卷積層、三個激活層的卷積神經網絡提取主要特征，最后利用一層全連接和Softmax函數做分類器，完成單像素分類。本發明充分利用了高光譜遙感圖像的光譜信息，解決了空洞卷積中的網格化問題，擴大了卷積感受野，提高了卷積效率，在減少參數量同時，提高了分類精度，是一種精確到像素的高效且輕量級的深度空洞卷積神經網絡的高光譜遙感圖像分類方法。

針對應用深度卷積網絡(DCNN)對高光譜遙感圖像分類出現維度“災難”及光譜特征信息利用不足的問題，將深度卷積神經網絡的空洞卷積結構應用到高光譜遙感圖像無損譜域特征的學習中，發明了一種利用空洞卷積的輕量級網絡模型對高光譜遙感圖像進行像素級分類的方法，解決了空洞卷積中的Gridding問題，擴大了深度卷積網絡感受野，提高了卷積效率，減少參數量，保持較高的分類精度。

技術領域

本發明涉及人工智能的深度學習與圖像分類處理領域，尤其涉及利用深度卷積神經網絡對高光譜圖像的地物分類。

背景技術

高光譜遙感技術有著以往寬波段遙感技術不可比擬的優勢，能同時獲取光譜信息和空間信息，光譜分辨率為納米級，光譜波段多達數百個，可以覆蓋紫外、可見光、近紅外、遠紅外波段范圍，可實現圖譜合一，因此高光譜圖像常用于地物的精細分類。近年來高光譜圖像傳感器的空間分辨率大有提高，從最早的由AVIRIS傳感器獲取1992年Indian pines數據集空間分辨率為20米到同樣是AVIRIS傳感器獲取的Salinas數據集，空間分辨到3.7米，機載反射光學光譜成像儀(Reflective Optics Spectrographic Imaging System，ROSIS-03)獲取Pavia University數據集空間分辨率為1.3米，隨著空間分辨率的提高，光譜特征的豐富，混合像素數量大幅降低，高光譜圖像的分辨率可高達5～10納米，單像素的材質屬性更為顯著，對微小目標的定性探測更為可行。

卷積神經網絡CNN(Convolutional Neural Networks)即通過卷積、下采樣等級聯操作，學習到樣本的特征圖，通過多次的反饋優化，自動學習，最終得到層次化的特征表示。目前，CNN朝著深度方向發展，產生了很多DCNN的經典框架，例如：含有多隱含層的AlexNet架構、僅用小核卷積且普適性強的VGG16架構、精細構造的GoogleNet架構以及引入殘差更容易訓練的ResNet架構等，這些架構在ImageNet、PASCAL VOC等數據集上取得了優異的目標識別和分類結果，證明了深度學習方法是圖像分類和目標識別的有效工具。但是在常見的目標識別與分類場景中，其輸入數據為彩色圖像，光譜維度只有RGB三維，但高光譜有上百維，若直接將其放入深度學習模型中會產生維度災難，實現困難。

目前，高光譜遙感圖像分類算法主要分為兩大類，基于光譜信息匹配的分類算法和基于統計學習的分類算法：

(1)基于光譜信息匹配的分類方法，例如：最小距離測度、二進制編碼匹配、光譜角填圖及光譜信息散度等等直接借助于光譜庫中已知的光譜信息，采用匹配算法直接鑒別并識別圖像中的地物類型，這種方法既可用全波段的光譜信息比較和匹配，也可選取部分感興趣的光譜波段信息進行匹配，以達到分類的目的。目前，這類算法主要在一些高光譜圖像處理軟件中用到，適用范圍和分類精度都有限。

(2)基于統計學的分類方法，例如：基于支持向量機、基于PCA的分類方法、基于稀疏矩陣的分類方法等。這類算法首先將圖像信息轉換為離散的數字矩陣，利用嚴密的數學推導算法區分不同的地物信息，但這種方法要求處理的數據滿足一定的條件，例如：符合正態分布或做歸一化處理，對數字矩陣要求較高，而且前期的數據處理難免會降低分類的精度。因此，利用卷積神經網絡對高光譜遙感圖像目前仍存在如下的問題：