[發明專利]一種改進型3D卷積網絡高光譜遙感影像分類方法及裝置

在審

• 申請號: 202011276561.6
• 申請日: 2020-11-16
• 公開（公告）號: CN112560894A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 姜益民;羅冷坤;洪勇;程志超
• 申請（專利權）人: 武漢光谷信息技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 武漢藍寶石專利代理事務所(特殊普通合伙) 42242
• 代理人: 高蘭

本發明涉及一種改進型3D卷積網絡高光譜遙感影像分類方法及裝置，首先根據基于標準分數的評價指標從高光譜影像中選取若干個質量更好的波段實現對高光譜遙感影像的降維處理，然后從降維后的影像中提取以待分類的圖像塊并相應構建了3D卷積神經網絡對圖像塊進行分類。通過降維處理降低了模型的計算量，同時使用特征選擇的方法有效地避免了降維處理導致的信息的缺失和損毀。對降維后的高光譜遙感影像使用合適的方式切割，同時采用雙卷積池化結構來進行分類，參數量更小，網絡結構更為精簡，從而達到減少模型參數，降低模型計算量的作用。

技術領域

本發明涉及遙感技術領域，具體涉及一種改進型3D卷積網絡高光譜遙感影像分類方法及裝置。

背景技術

高光譜遙感影像數據是一個包含光譜和空間信息的數據立方體，能夠獲取地表物體上百個連續譜段的信息，提供豐富的光譜信息來增強對地物的區分能力。高光譜遙感影像分類是給影像中的每個像元賦予唯一的類別標識，傳統的高光譜分類方法大多是基于數理統計的，例如最大似然分類，而隨著機器學習的發展，更多地會選擇使用支持向量機來對高光譜影像進行分類。而近年來，基于深度學習的圖像分類成為了研究熱點，深度學習的方法也被應用到了高光譜遙感影像分類中，例如卷積神經網絡模型。

由于光譜的高維特性、信息冗余和地表覆蓋的同物異譜及同譜異物現象，導致高光譜數據結構呈高度非線性，基于統計模式識別的分類模型難以直接對原始高光譜數據進行分類識別，且參與監督學習的訓練樣本十分有限，造成分類精度隨著特征維數上升而下降。針對高光譜遙感影像分類問題，既要考慮分類模型的有效性，也要充分利用豐富的空間和光譜信息。目前在對高光譜遙感影像分類時更多的則是利用深度卷積網絡（這里指的是二維卷積網絡，以下統稱CNN）模型來進行分類，其利用CNN的局部感知、權值共享等特性，從而大大減少了模型的參數和降低了訓練的難度，進一步提高了分類的性能。但CNN需要將空間和光譜信息分開提取，未能充分利用高光譜遙感影像所有波段的信息，而3D卷積神經網絡應用于高光譜遙感影像分類時能夠提取空間-光譜的深層特征，同時還加入了虛擬樣本解決了樣本匱乏的問題，但3D卷積神經網絡卷積層參數較多，增加了模型的計算量。另一方面，在對高光譜遙感影像進行分類時需要對高光譜遙感影像做一定的圖像處理，提取出其中的光譜信息和空間信息，而在處理的過程中，去除數據冗雜是必不可少的一步，即對高光譜遙感影像做降維處理，常見的降維方法有主成分分析方法、獨立成本分析方法和特征選擇方法。同時在對高光譜遙感影像做降維處理時很有可能因為方法不當而導致信息的缺失與損毀，通過使用特征選擇方法來選取質量更好的波段能夠有效地減少網絡卷積層的參數，降低了模型的計算量，也能夠盡可能地避免降維處理時所導致的高光譜數據的信息缺失與損毀。

縱觀上述，首先對高光譜遙感影像做降維處理，通過特征選擇的方法選取質量更高的波段，然后對降維后的影像使用3D卷積神經網絡進行分類能夠更加有效地利用高光譜遙感影像的光譜信息和空間信息，獲取到更好的分類結果。

發明內容

本發明針對現有技術中存在的技術問題，提供一種改進型3D卷積網絡高光譜遙感影像分類方法及裝置，首先根據基于標準分數的評價指標從高光譜影像中選取若干個質量更好的波段實現對高光譜遙感影像的降維處理，然后從降維后的影像中提取以待分類的圖像塊并相應構建了3D卷積神經網絡對圖像塊進行分類。

作為本發明的第一方面，本發明提供一種改進型3D卷積網絡高光譜遙感影像分類方法，包括以下步驟：

計算高光譜遙感影像中所有波段樣本點的標準分數總和，進行評價和排序，從排序中選取質量更好的多個波段以實現降維處理；

對降維后的影像數據進行切割處理；

將切割處理所獲取的影像塊作為改進型3D卷積神經網絡結構的輸入，完成對高光譜遙感影像的分類預測；

所述改進型3D卷積神經網絡結構分為兩部分，第一部分包含一層輸入層，三層雙卷積池化結構，每層卷積層后連接一個BN層、激勵操作層、池化層；第二部分包含一層全連接層，一層softmax分類層，在全連接層后連接一個BN層、一個激勵操作層和一個Dropout層。