[發(fā)明專利]一種結(jié)合圖結(jié)構(gòu)與卷積神經(jīng)網(wǎng)絡(luò)的高光譜分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111150852.5
• 申請(qǐng)日: 2021-09-29
• 公開（公告）號(hào): CN113920442A
• 公開（公告）日: 2022-01-11
• 發(fā)明（設(shè)計(jì)）人: 丁遙;張志利;蔡偉;趙曉楓;陽能軍;尉成果
• 申請(qǐng)（專利權(quán)）人: 中國人民解放軍火箭軍工程大學(xué)
• 主分類號(hào): G06V20/13
• 分類號(hào): G06V20/13;G06V10/26;G06V10/40;G06V10/762;G06V10/771;G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 燕肇琪

本發(fā)明涉及一種圖結(jié)構(gòu)與卷積神經(jīng)相結(jié)合的高光譜圖像分類方法。所述的卷積神經(jīng)網(wǎng)絡(luò)是可將三維分解為一維和二維卷積神經(jīng)網(wǎng)絡(luò)，超像素圖網(wǎng)絡(luò)是可用于后續(xù)的多尺度二維處理的超像素圖網(wǎng)絡(luò)；包括五大步驟：高光譜圖像分割和光譜特征提取、基于圖網(wǎng)絡(luò)的多尺度特征提取、基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度特征提取、特征融合和像素分類、損失函數(shù)和模型訓(xùn)練。與現(xiàn)有技術(shù)相比：本發(fā)明提供了一種新的多尺度融合網(wǎng)絡(luò)及一種譜變換機(jī)制，可以提取基于多尺度超像素的圖形特征和局部像素特征，利用一維提取圖節(jié)點(diǎn)的譜特征；可抑制原始高光譜圖像的噪聲，提高圖卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同高光譜圖像的適應(yīng)性，提高分類精度，自動(dòng)提取高光譜特征并完成分類。分類正確率達(dá)到93％以上。

技術(shù)領(lǐng)域

本發(fā)明涉及地理遙感技術(shù)領(lǐng)域，涉及一種圖結(jié)構(gòu)與卷積神經(jīng)相結(jié)合的高光譜圖像分類方法。

背景技術(shù)

從衛(wèi)星或機(jī)載采集的高光譜圖像包含數(shù)百個(gè)相鄰波段，包含豐富的光譜-空間信息。由于高光譜的獨(dú)特優(yōu)勢，可以在像素級(jí)區(qū)分土地覆蓋類別，因此將每個(gè)像素分類為特定標(biāo)簽的高光譜分類引起了廣泛關(guān)注。高光譜分類已應(yīng)用于各個(gè)領(lǐng)域，如土地管理、環(huán)境監(jiān)測、軍事調(diào)查和農(nóng)業(yè)評(píng)估。然而，高光譜高維度、標(biāo)記訓(xùn)練樣本不足和復(fù)雜的光譜噪聲效應(yīng)給高光譜分類帶來了很大的困難，人們研究了各種方法來解決上述問題。N

在過去幾十年中，各種機(jī)器學(xué)習(xí)分類方法已被用于高光譜分類。在早期階段，光譜和空間信息通常是分開處理的，大多數(shù)分類器的都是在高維空間中分離光譜信息。例如，極限學(xué)習(xí)機(jī)(ELM)、邏輯回歸和支持向量機(jī)(SVM)等分類方法。然而，這些方法通常側(cè)重于光譜維度，而忽略了空間信息的分析，并且容易分類結(jié)果中產(chǎn)生了較大的誤差或異常值。為了從高光譜圖像中提取空間信息，已經(jīng)提出了各種基于空間光譜的方法，例如形態(tài)輪廓(MP)和擴(kuò)展的不均勻分布輪廓(EMAP)。此外，Gabor濾波器、小波、擴(kuò)展形態(tài)輪廓濾波器和邊緣保持濾波器都已應(yīng)用于高光譜圖像分類，用以提取高光譜圖像的紋理特征。傳統(tǒng)的機(jī)器學(xué)習(xí)方法為高光譜圖像分類做出了巨大貢獻(xiàn)。然而，上述方法都是經(jīng)驗(yàn)性的，嚴(yán)重依賴專業(yè)知識(shí)，致使傳統(tǒng)機(jī)器學(xué)習(xí)方法的魯棒性和分類準(zhǔn)確率低于深度學(xué)習(xí)方法，例如由Y.Cai,X.Liu,and Z.Cai發(fā)表在,BS-Nets:An End-to-End Framework for Band Selection ofHyperspectral Image,IEEE Geosci.Remote Sens.,vol.58,pp.1969-1984,2020一文中所披露的內(nèi)容。與傳統(tǒng)的特征提取技術(shù)相比，深度學(xué)習(xí)方法能夠從標(biāo)記數(shù)據(jù)中自動(dòng)提取魯棒的自適應(yīng)深度特征。由于深度學(xué)習(xí)強(qiáng)大的特征學(xué)習(xí)能力，被廣泛應(yīng)用到各個(gè)領(lǐng)域。當(dāng)然，深度學(xué)習(xí)在高光譜圖像分類任務(wù)中也得到了很好的應(yīng)用，并且表現(xiàn)出了優(yōu)異的性能。例如，利用遞歸神經(jīng)網(wǎng)絡(luò)、堆疊自動(dòng)編碼器(SAE)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)來提取高光譜圖像的深層特征。在這些方法中，基于CNN的方法已成為高光譜圖像分類最廣泛采用的框架。此外，從一維CNN到三維CNN，從單一CNN到混合CNN，從高光譜圖像中提取深度光譜空間特征的不同結(jié)構(gòu)相繼出現(xiàn)。然而，深度CNN方法面臨著一些局限性。首先，深層CNN計(jì)算復(fù)雜，需要更高的計(jì)算能力。此外，由于對(duì)標(biāo)記樣本的需求，大多數(shù)CNN不適合使用有限的標(biāo)記樣本進(jìn)行分類。最重要的是，上述深度學(xué)習(xí)方法是針對(duì)歐幾里德數(shù)據(jù)設(shè)計(jì)的，而高光譜圖像分類是高光譜圖像覆蓋類型之間的相關(guān)性容易被忽略，例如，由D.Hong,N.Yokoya,G.Xia,J.Chanussot,X.Zhu.發(fā)表在“X-ModalNet:A Semi-Supervised Deep Cross-Modal Network forClassification of Remote Sensing Data[J],”ISPRS J.Photogram.Remote Sens.,2020,167:12-23.一文中所披露的內(nèi)容。因此，不管是傳統(tǒng)機(jī)器學(xué)習(xí)方法還是深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)在高光譜分類中都面臨一定的局限性。

發(fā)明內(nèi)容

針對(duì)上述現(xiàn)有技術(shù)狀況，本發(fā)明的目的在于，提供一種結(jié)合圖結(jié)構(gòu)與卷積神經(jīng)網(wǎng)絡(luò)的高光譜分類方法。

現(xiàn)將本發(fā)明方法構(gòu)思及技術(shù)解決方案敘述如下：