[發明專利]基于可分離式殘差三維稠密卷積的高光譜分類方法

在審

• 申請號: 202010744236.1
• 申請日: 2020-07-29
• 公開（公告）號: CN111931618A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 邱云飛;呂舜堯
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 韓登營;張麗萍

本發明公開了一種基于可分離式殘差三維稠密卷積的高光譜分類方法，包括：將經過數據預處理的一系列高光譜樣本圖像直接作為輸入數據輸入網絡；通過殘差三維可分離式稠密卷積提取高光譜圖像的空譜特征；進行批歸一化、dropout、全連接操作，提高特征的可分性，減少模型參數數量，降低模型訓練難度，接著將輸出數據通過softmax分類器預測，得出分類的結果。本發明利用三維殘差分離稠密卷積網絡提取高光譜立方體的空譜特征，每個單元的輸出與下一個單元種每個單元的輸出建立短連接，實現信息傳遞，最后經過softmax分類器，達到分類效果，實驗結果表明，該分類精度比現有的算法效果有了顯著的提升。

技術領域

本發明屬于高光譜圖像分類的技術領域，尤其涉及一種基于可分離式殘差三維稠密卷積的高光譜分類方法。

背景技術

高光譜遙感圖像(Hyperspectral image)是通過一種將光譜技術和圖像技術相結合的一種高分辨率圖像，高光譜圖像在近年來在軍事，農業，地理檢測，環境監控等諸多領域都有相當大的作用。高光譜圖像的分類是當前研究的熱點問題之一。高光譜圖像包含了許多光譜通道，維度高是它的一大特點。它還具有光譜混合的特性，即在二維空間信息的基礎上加入一維光譜信息，帶寬小于10nm。圖像中的每個波段，都是二維圖像。光譜空間中的每個像素反映為連續的曲線。一般來說，高光譜遙感科學的目的是利用數百個光譜波段來獲取數據，以便于同時提供詳細的光譜和空間信息。因此，高精度對于HIS特別有用。利用高光譜圖像進行地物分類，目標識別，目標檢測，都是研究熱點。因此，開展高光譜遙感技術的研究具有十分必要的作用和意義。近年來，國內外學者提出了多種高光譜圖像的分類發明的方法。許多與機器學習相關的圖像處理技術都被應用于高光譜分類中。大致分為基于光譜分類識別與統計識別的分類方法。基于光譜分類的識別方法是利用光譜數據采用發明的方法識別地物分類，統計發明的方法分為無監督和監督分類。像最大似然分類，SVM支持向量機，但是上述的方法不是收到光譜波動的影響就是收到分類器模型參數問題使得分類不準確。卷積神經網絡CNN(convolutional neural network)為代表的深度學習在圖像分類和模式識別方面在近年來取得了不小的突破，采用深度學習的卷積神經網絡能夠增加魯棒性，但是隨著網絡層數的增加，容易出現過擬合和梯度下降的問題，2015年何凱明團隊提出了一種叫殘差網絡(resnet) 的網絡，它是一種卷積神經網絡的推廣。它利用了一種殘差的模塊，這個模塊具有跳躍性，便于梯度的傳播，它具有較強的魯棒性和較深的體系結構，用它可以減少很多參數，減少過擬合。Zhong等在2017年使用包含三維卷積層的SSRN提取高光譜影像立方體的特征，通過引入殘差結構緩解由于網絡深度增加而引起的梯度消失問題，在高光譜影像分類中分類精度較傳統方法有很大提升。將resnet引入到高光譜分類中，可以較好的解決梯度消失和參數過大的問題，在高光譜分類上有著非常好的作用。

二維卷積神經網絡(2D-CNN)已經在很多經典的領域有著突出的表現，例如圖像分類，目標檢測，評估圖像等諸多圖像領域取得了很好的研究成果，它在處理圖像時候可以直接對其直接提取特征，完成端到端的處理方式，但若直接將其用于高光譜圖像，需要對每個通道進行卷積，而高光譜圖像的通道很多，每一組光譜波段都需要訓練一個卷積核，大量的參數會被計算，很大的增加了計算成本，降低計算效率還會產生過擬合。

在三維卷積被提出之前，研究人員一般都通過數據降維的方法來減少光譜的維數來解決問題，例如中用PCA來進行降維，將高光譜圖像中的主要成分通道提取出來，然后用二維卷積網絡提取特征，但是這種方法雖然減少了計算成本，但是卻使得圖像丟失了很多豐富的光譜信息，導致分類精度下降。

發明內容

基于以上現有技術的不足，本發明所解決的技術問題在于提供一種基于可分離式殘差三維稠密卷積的高光譜分類方法，以三維原始圖片輸入進行特征提取，不必進行降維，在空間和光譜通道上同時提取特征，達到空譜聯合，還可以避免引入大量參數，防止過擬合，提高運算效率。

為了解決上述技術問題，本發明提供一種基于可分離式殘差三維稠密卷積的高光譜分類方法，包括以下步驟：