[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

本發明公開了一種基于混合亞像素卷積的高光譜遙感圖像分類方法，包括獲取待分類的高光譜遙感圖像；利用主成分分析法進行光譜降維；根據光譜信息量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；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，利用三維卷積根據立方體數據提取光譜?空間特征，再利用二維卷積進行光譜信息的融合，得到最終的特征圖；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；將特征向量輸入至三層全連接網絡得到預測分類結果。本發明結合了三維、二維和亞像素卷積的優點，實現了在低訓練樣本下對高光譜遙感圖像的準確分類。

技術領域

本申請屬于圖像處理技術領域，具體涉及一種基于混合亞像素卷積的高光譜遙感圖像分類方法。

背景技術

高光譜遙感圖像分類是地球觀測的重要手段，被廣泛應用于精細化農業、軍事偵測、環境監測等方面。隨著遙感技術不斷深入，利用從數百個表面物體的連續光譜段中獲取光譜信息，高光譜圖像表達不同物體的能力不斷增強。

在高光譜遙感圖像分類任務中主要存在兩個難題：首先，幾百個光譜頻帶帶來充分光譜信息的同時，也產生了大量冗余的問題，同時高數據維度導致需要龐大的計算量；其次，高光譜遙感圖像的人工標記需要昂貴的代價，導致現有的分類樣本十分稀少；

受視覺系統內在結構的啟發，利用卷積神經網絡從高光譜遙感圖像中提取具有判別性的光譜-空間特征圖。但是二維卷積僅能從高光譜遙感圖像中提取空間信息，而丟失了光譜帶間的信息，而三維卷積需要龐大計算量才能獲取到高光譜遙感圖像的光譜-空間特征。

發明內容

本發明要克服現有技術的上述確定啊，提供基于混合亞像素卷積的高光譜遙感圖像分類方法。

本發明結合了三維和二維卷積的優點，以及利用亞像素卷積層的特點，實現了在低訓練樣本下對高光譜遙感圖像的準確分類。

為實現上述目的，本發明所采取的技術方案為：

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(例如25×25)的立方體數據，先利用三維卷積根據立方體數據提取光譜-空間特征，再利用二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。

作為優選，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：

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；