[發明專利]一種基于混合亞像素卷積的高光譜遙感圖像分類方法

在審

• 申請號: 202010640580.6
• 申請日: 2020-07-06
• 公開（公告）號: CN111783694A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 鄭建煒;馮宇超;蔣嘉偉;周鑫杰;秦夢潔;陳婉君
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

1.一種基于混合亞像素卷積的高光譜遙感圖像分類方法，包括以下步驟：

步驟S1、獲取待分類的高光譜遙感圖像；

步驟S2、利用主成分分析法對圖像進行光譜降維預處理；

步驟S3、執行通道移位操作，根據光譜信息量的多少將降維后的高光譜遙感圖像中的光譜帶沿通道中間向通道兩側由高到低排列；

步驟S4、對光譜帶中每個像素點取一個固定空間大小的立方體數據，先利用3維卷積根據立方體數據提取光譜-空間特征，再利用2維卷積對提取的光譜-空間特征進行光譜信息的融合，得到最終的特征圖；

步驟S5、添加亞像素卷積層，使用像素重組方法，將不同特征圖上的相同點位置的像素重置到一張圖上，再轉換為特征向量；

步驟S6、將特征向量輸入至三層全連接網絡得到針對待分類的高光譜遙感圖像的預測分類結果。

2.如權利要求1所述的基于混合亞像素卷積的高光譜遙感圖像分類方法，其特征在于：步驟S2所述利用主成分分析法對高光譜遙感圖像進行光譜降維，具體包括：

S21.令獲取的高光譜遙感圖像的大小為W×H×L；

S22.重塑高光譜遙感圖像至大小為L×N的輸入數據X，并且N＝W×H；

S23.計算輸入數據X的協方差矩陣B；

S24.獲取輸入數據X中最大的k個特征值對應的k個特征向量，并將k個特征向量作為列向量得到投影矩陣P；

S25.建立主成分分析的優化目標函數如下：

min_P tr(P^TBP),s.t.P^TP＝I,

其中，I是具L×L大小的單位矩陣，tr和T分別表示矩陣的跡和轉置操作；

S26.計算優化目標函數，當計算得到L×k大小的P時，主成分分析輸出大小為k×L的降維后的高光譜遙感圖像Y，Y＝P^T×X，則高光譜遙感圖像的光譜帶尺寸從原始的L減小為k。

3.如權利要求1所述的基于混合亞像素卷積的高光譜遙感圖像分類方法，其特征在于：步驟S4所述3維卷積設置為三層卷積結構，三層卷積結構的卷積核大小分別設置為7×7×7、5×5×5和3×3×3，并且卷積核個數分別設置為8、16和32；

所述2維卷積設置為一層卷積結構，所述2維卷積包括64個大小為3×3的卷積核。

4.如權利要求1所述的基于混合亞像素卷積的高光譜遙感圖像分類方法，其特征在于：步驟S5所述添加亞像素卷積層，使用像素重組方法，獲取到亞像素特征圖，并輸出特征向量，包括：

S51.令特征圖的大小為h×w×r²；

S52.針對特征圖上同一空間位置上大小為1×1×R²的像素塊，獲取h*w個像素塊A₁，A₂,…A_h*w；

S53.沿著通道方向將所有像素塊A轉為大小為R×R×1的塊B，獲取h*w個像素塊B₁，B₂,…B_h*w；

S54.并按照原像素點空間位置，將h*w個像素塊重新拼接成大小為hr×wr×1的特征圖，并將其轉換為特征向量。

5.如權利要求1所述的基于混合亞像素卷積的高光譜遙感圖像分類方法，其特征在于：步驟S5所述的三層全連接網絡包括三個全連接層，三個全連接層中的前兩個全連接層使用正規化形式的Dropout方法，最后一個全連接層使用Softmax輸出預測分類結果。