CN107122733B - 基于nsct和sae的高光谱图像分类方法 - Google Patents
基于nsct和sae的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN107122733B CN107122733B CN201710277394.9A CN201710277394A CN107122733B CN 107122733 B CN107122733 B CN 107122733B CN 201710277394 A CN201710277394 A CN 201710277394A CN 107122733 B CN107122733 B CN 107122733B
- Authority
- CN
- China
- Prior art keywords
- self
- encoding encoder
- image
- layer
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
本发明公开了一种基于NSCT和SAE的高光谱图像分类方法,其实现步骤为:(1)输入图像;(2)预处理;(3)进行非下采样轮廓波变换;(4)选取系数子带;(5)选取正方形邻域图像块;(6)提取像素的局部纹理特征;(7)获得三维图像矩阵;(8)选择训练样例;(9)构建栈式自编码器SAE;(10)进行非线性变换操作;(11)微调模型中的参数;(12)输出高光谱图像的分类结果。本发明可以充分地利用高光谱图像的局部纹理特征,具有很高的分类准确率,可用于地质勘探领域中的高光谱图像的分类,为地物图像的绘制提供参考。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像分类技术领域中的一种基于非下采样轮廓波变换(Non Subsample Contourlet Transform,NSCT)和栈式自编码器(Stacked Auto-Encoder,SAE)的高光谱图像分类方法。本发明可应用于地质勘探领域中的高光谱图像的分类,为地物图像的绘制提供参考。
背景技术
高光谱遥感是一种具有较高光谱分辨率的成像技术,它具有“图谱合一”的特点,所获得的图像数据不仅包含了地面物体非常丰富的光谱信息,而且也体现了地面目标的空间结构分布。遥感图像分类就是根据少量有标记样本预测剩余无标记样本的类别的过程。尽管高光谱图像较高的光谱分辨率为图像分类提供了可能,但是高光谱图像的精确分类仍然存在着一些难题,比如像素的维度较高、噪声干扰、较高的空间域和光谱域冗余。传统的浅层学习方法不能有效地提取有代表性的特征,造成区域分类混乱问题。考虑到相同类别的地物通常具有相似的空间结构,因此必须充分利用高光谱图像的空间域特征,才能有效提高高光谱图像的分类精度。
Yushi Chen等人在其发表的论文“Deep Learning-Based Classification ofHyperspectral Data,”(IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2014,7(6),2094-2107)中提出了一种基于栈式自编码器的高光谱图像分类方法。该方法将局部邻域窗作为当前像素的空间域特征,然后将光谱特征和空间域特征进行融合,接着采用栈式自编码器从融合后的空谱特征中提取出有代表性的特征,最后采用了多项式逻辑回归分类器预测当前像素的类别。该方法虽然综合使用了空间域和光谱域信息,但是仍然存在的不足之处是,基于邻域窗的空域特征提取方法在提取空间域特征时,不能很好地利用空间邻域相关性,降低神经网络模型的分类精度。
西安电子科技大学在申请的专利文献“基于收缩自编码器的SAR图像分类方法”(专利申请号:201610407324.6,公开号:CN 106096650A)中公开了一种基于收缩自编码器的图像分类方法。该方法首先对输入SAR图像进行一层小波分解,得到1个低频系数子带和3个高频系数子带,然后将分解后的高频系数子带进行堆叠,最后采用栈式自编码器对堆叠后的图像进行分类。该方法存在的不足之处是,该方法只考虑了当前像素的水平、垂直、和对角三个方向,未能充分利用其它方向性信息。而且,该方法并未利用一些结构上的先验知识,比如邻域像素之间的相关性等。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于NSCT和SAE的高光谱图像分类方法。本发明与现有技术中其他高光谱图像分类技术相比,能够充分利用空间邻域像素的相关性,提取到鲁棒性更强的空间域特征,从而提高了模型的分类准确率。
本发明实现上述目的的思路是:先对高光谱图像进行预处理,然后通过非下采样轮廓波变换NSCT得到像素的局部纹理特征,接着将像素的局部纹理特征向量和光谱特征向量首尾连接,最后采用栈式自动编码器SAE和Softmax分类器,获得待分类样本集的分类结果。
本发明实现的具体步骤如下:
(1)输入图像:
输入一幅包含不同地物的高光谱图像;
(2)预处理:
(2a)对输入的高光谱图像的像素值进行归一化操作,得到归一化图像;
(2b)采用主成分分析方法,将归一化图像的光谱维度降低至4维,得到降维后的图像;
(3)进行非下采样轮廓波变换:
对降维后的图像进行非下采样轮廓波变换NSCT,得到变换域的56个高频系数子带;
(4)选取系数子带
在56个高频系数子带中任意选取一个系数子带;
(5)选取正方形邻域图像块
(5a)在所取系数子带中任意选取一个系数;
(5b)在所取系数中取一个大小为17×17像素的正方形邻域图像块;
(6)提取像素的局部纹理特征:
(6a)按照下式,对所取正方形邻域图像块中每个像素进行离散化操作,得到离散化像素:
Pi=f(Li/M×32)
其中,Pi表示所取正方形邻域图像块中第i个像素的离散化值,f()表示向上取整操作,Li表示所取正方形邻域图像块中第i个像素的值,M表示所取正方形邻域图像块中像素的最大值;
(6b)将所取正方形邻域图像块中的所有离散化像素组成离散化矩阵;
(6c)在高频系数子带中每个系数的离散化矩阵中,提取横向和纵向间隔均为5的所有像素对;
(6d)将所有像素对按照灰度值进行分组;
(6e)将每个组的像素对个数组成灰度共生矩阵;
(6f)按照下式,对灰度共生矩阵中每个元素进行归一化操作,得到归一化值:
其中,Qj表示灰度共生矩阵中第j个元素的归一化值,Pj表示灰度共生矩阵中第j个元素的值,∑表示求和操作,N表示灰度共生矩阵中元素的个数;
(6g)将所有的归一化值组成归一化矩阵;
(6h)按照下式,计算归一化矩阵的熵值,将该熵值作为像素的局部纹理特征:
其中,E表示图像块的灰度共生矩阵的熵值,Qk表示归一化矩阵中第k个元素的值,log表示以2为底的自然对数操作;
(7)判断是否选取完所选系数子带的所有系数,若是,则执行步骤(8);否则,执行步骤(5);
(8)判断56个高频系数子带是否选取完,若是,则执行步骤(9);否则,执行步骤(4);
(9)获得三维图像矩阵:
对每一个像素的局部纹理特征和输入的高光谱图像中相同位置的光谱特征进行首尾相连,得到包含局部纹理特征和光谱特征的三维图像矩阵;
(10)选择训练样例:
从图像矩阵中的每一类像素中随机选择10%的像素,作为训练样例;
(11)构建栈式自编码器SAE:
(11a)将训练样例作为自编码器的输入特征向量;
(11b)利用隐藏层特征向量计算公式,生成第一层自编码器隐藏层的特征向量;
(11c)利用输出层特征向量计算公式,生成第一层自编码器输出层的特征向量;
(11d)利用自编码器的训练方法,优化第一层自编码器的参数;
(11e)将第一层自编码器的隐藏层特征向量作为第二层自编码器的输入特征向量,采用与步骤(11b)、步骤(11c)、步骤(11d)相同的方法,构建第二层自编码器;
(12)得到全连接层的特征向量:
利用全连接层特征向量公式,对第二层自编码器的隐藏层特征向量进行非线性变换操作,得到全连接层的特征向量;
(13)微调模型中的参数:
将全连接层的输出特征向量作为softmax分类器的输入特征向量,对栈式自编码器和softmax分类器组成的神经网络模型,采用反向传播方法微调模型中的参数;
(14)输出高光谱图像的分类结果:
将图像矩阵的每一个像素作为神经网络模型的输入,输出高光谱图像的分类结果图。
本发明与现有技术相比具有以下优点:
第一,由于本发明将像素的邻域图像块的灰度共生矩阵的熵值,作为像素的局部纹理特征,克服了现有技术在提取空间特征时,不能很好地利用空间邻域相关性的缺点,使得本发明所提取的空间特征能够更好地反映像素的局部纹理结构,特征的鲁棒性更强。
第二,由于本发明采用栈式自编码器提取更高抽象层次的特征,克服了现有浅层学习算法造成的区域分类混乱步骤,使得本发明具有分类精度高的优点。
附图说明
图1为本发明的流程图;
图2为本发明仿真使用的Pavia University图像;
图3为本发明的仿真图。
具体实施方式
下面结合附图对本发明作进一步的详细描述。
参照图1,本发明的具体实施步骤如下。
步骤1,输入图像。
输入一幅包含不同地物的高光谱图像。
步骤2,预处理。
对输入的高光谱图像的像素值进行归一化操作,得到归一化图像。
采用主成分分析方法,将归一化图像的光谱维度降低至4维,得到降维后的图像。
步骤3,进行非下采样轮廓波变换。
非下采样轮廓波变换NSCT的步骤如下:
构造拉普拉斯金字塔滤波器和方向滤波器组。
对降维后图像的所有光谱子带进行3层非下采样轮廓波变换,每一层的方向子带个数分别为2、4、8,得到56个高频系数子带和1个低频系数子带。
步骤4,选取系数子带
在56个高频系数子带中任意选取一个系数子带。
步骤5,选取正方形邻域图像块
在所取系数子带中任意选取一个系数。
在所取系数中取一个大小为17×17像素的正方形邻域图像块。
步骤6,提取像素的局部纹理特征。
按照下式,对所取正方形邻域图像块中每个像素进行离散化操作,得到离散化像素:
Pi=f(Li/M×32)
其中,Pi表示所取正方形邻域图像块中第i个像素的离散化值,f()表示向上取整操作,Li表示所取正方形邻域图像块中第i个像素的值,M表示所取正方形邻域图像块中像素的最大值。
将所取正方形邻域图像块中的所有离散化像素组成离散化矩阵。
在高频系数子带中每个系数的离散化矩阵中,提取横向和纵向间隔均为5的所有像素对。
将所有像素对按照灰度值进行分组。
将每个组的像素对个数组成灰度共生矩阵。
按照下式,对灰度共生矩阵中每个元素进行归一化操作,得到归一化值:
其中,Qj表示灰度共生矩阵中第j个元素的归一化值,Pj表示灰度共生矩阵中第j个元素的值,∑表示求和操作,N表示灰度共生矩阵中元素的个数。
将所有的归一化值组成归一化矩阵。
按照下式,计算归一化矩阵的熵值,将该熵值作为像素的局部纹理特征:
其中,E表示图像块的灰度共生矩阵的熵值,Qk表示归一化矩阵中第k个元素的值,log表示以2为底的自然对数操作。
步骤7,判断是否选取完所选系数子带的所有系数,若是,则执行步骤(8);否则,执行步骤(5);
步骤8,判断56个高频系数子带是否选取完,若是,则执行步骤(9);否则,执行步骤(4);
步骤9,获得三维图像矩阵。
对每一个像素的局部纹理特征和输入的高光谱图像中相同位置的光谱特征进行首尾相连,得到包含局部纹理特征和光谱特征的三维图像矩阵。
步骤10,选择训练样例。
从三维图像矩阵中的每一类像素中随机选择10%的像素,作为训练样例。
步骤11,构建栈式自编码器SAE。
将训练样例作为自编码器的输入特征向量。
利用隐藏层特征向量计算公式,生成第一层自编码器隐藏层的特征向量。
所述的隐藏层特征向量计算公式如下:
y=f(W(1)x+b(1))
其中,y表示自编码器隐藏层的特征向量,f(·)表示sigmoid非线性激活操作,W(1)表示自编码器的输入层和隐藏层之间的权值参数,x表示自编码器的输入特征向量,b(1)表示自编码器的隐藏层神经元的偏置参数。
利用输出层特征向量计算公式,生成第一层自编码器输出层的特征向量。
所述的输出层特征向量计算公式如下:
z=f(W(2)y+b(2))
其中,z表示自编码器输出层的特征向量,W(2)表示自编码器的隐藏层和输出层之间的权值参数,b(2)表示自编码器的输出层神经元的偏置参数。
利用自编码器的训练方法,优化第一层自编码器的参数。
所述的自编码器的训练方法步骤如下:
第一步,按照下式,计算收缩自编码器的重构误差值:
其中,J(θ)表示自编码器的重构误差值,∑表示求和操作,Tn={x(1),x(2),...,x(n)}表示包含n个样例的训练样例集合,||·||2表示二范数的平方操作。
第二步,利用随机梯度下降算法,调整自编码器中的权值参数和偏置参数,获得自编码器的最小重构误差值。
将第一层自编码器的隐藏层特征向量作为第二层自编码器的输入特征向量,采用与步骤(11b)、步骤(11c)、步骤(11d)相同的方法,构建第二层自编码器。
步骤12,进行非线性变换操作。
利用全连接层特征向量公式,对第二层自编码器的隐藏层特征向量进行非线性变换操作,生成全连接层的特征向量。
所述的全连接层特征向量计算公式如下:
s=f(W(3)y+b(3))
其中,s表示全连接层的输出特征向量,W(3)表示全连接层的权值参数,b(3)表示全连接层的偏置参数。
步骤13,微调模型中的参数:
将全连接层的输出特征向量作为softmax分类器的输入特征向量,对栈式自编码器和softmax分类器组成的神经网络模型,采用反向传播方法微调模型中的参数。
步骤14,输出高光谱图像的分类结果。
将图像矩阵的每一个像素作为神经网络模型的输入,输出高光谱图像的分类结果图。
下面结合仿真对本发明的效果做进一步说明。
1、仿真实验条件:
表1 Pavia University图像中的9类数据
类别 | 类别名称 | 个数 |
1 | Asphalt(柏油) | 6631 |
2 | Meadows(草场) | 18649 |
3 | Gravel(碎石) | 2099 |
4 | Trees(树木) | 3064 |
5 | Painted metal sheets(金属板画) | 1345 |
6 | Bare Soil(裸地) | 5029 |
7 | Bitumen(沥青) | 1330 |
8 | Self-Blocking Bricks(砖块) | 3682 |
9 | Shadows(阴影) | 947 |
本发明的仿真试验是在主频2.6GHZ的Intel Xeon CPU E5-2692v2、内存64GB的硬件环境和Theano 0.8.2的软件环境下进行的。
本发明的输入高光谱图像为德国的反射式成像光谱仪ROSIS在意大利北部获取的Pavia University高光谱图像,该Pavia University高光谱图像的大小为610×340×103,光谱波段数为103。该高光谱图像共包括9类地物。图2为Pavia University图像的真实地物类别示意图,表1列出了9类地物的名称以及每类地物的像素个数。
2、仿真内容和仿真结果分析:
在仿真实验中所用方法为本发明方法和现有2种方法,其中:
现有方法1:Melgani等人在“Classification of hyperspectral remotesensing images with support vector machines,”IEEE Transactions on Geoscience&Remote Sensing,2004,42(8):1778-1790.中提出的分类方法,简称SVM分类方法;
现有方法2:ChenY等人在“Deep Learning-Based Classification ofHyperspectral Data,”IEEE Journal of Selected Topics in Applied EarthObservations&Remote Sensing,2014,7(6):2094-2107.中提出的基于栈式自编码器的分类方法,简称SAE-LR分类方法。
仿真实验1,用本发明方法与上述的2种现有方法分别对Pavia University图像数据进行分类,结果如图3,其中,图3(a)为采用支持向量机SVM分类器对高光谱图像PaviaUniversity数据进行分类的仿真图,图3(b)为采用基于栈式自编码器的分类方法对高光谱图像Pavia University数据进行分类的仿真图,图3(c)为本发明方法对高光谱图像PaviaUniversity数据进行分类的仿真图。
从图(3a)、图(3b)和图(3c)这三个图中对裸地的分类结果可以看出,不同分类方法的分类效果差别很大,SVM分类方法效果最差,本发明的分类方法效果最好。
本发明的仿真实验2,利用客观评价指标,分别对本发明方法和上述2种方法的分类结果给出定量分析。
在本发明的仿真实验中,采用以下三个常用的指标来评价分类性能:
第一个评价指标是总精度OA,表示正确分类的样本占所有样本的比例,值越大,说明分类效果越好。
第二个评价指标是平均精度AA,表示每一类分类精度的平均值,值越大,说明分类效果越好。
第三个评价指标是Kappa系数,表示混淆矩阵中不同的权值,值越大,说明分类效果越好。
用上述客观评价指标对图3中各方法的分类性能进行评价的结果如表2。
表2.各方法分类结果的定量分析一览表
方法 | 总精度(%) | 平均精度(%) | Kappa系数 |
本发明 | 99.66 | 99.58 | 99.55 |
SVM | 93.40 | 91.55 | 91.24 |
SAE-LR | 96.00 | 94.15 | 94.74 |
从表2可以看出,本发明较两种现有方法有更好的分类性能。同基于光谱特征的SVM算法相比,本发明的总精度和平均精度分别提高了6%和8%左右,这表明局部纹理特征在高光谱图像分类任务中起着重要作用。同SAE-LR算法相比,本发明的总精度和平均精度分别提高了3%和5%左右,这表明本发明中采用的空间局部特征提取算法相比于传统邻域窗的方法有很大的优势。
综上可知,本发明采用的空域特征提取方法可以充分地利用高光谱图像的空间局部结构信息,具有很高的分类准确率。并且,由于本发明采用了深度神经网络结构,可以有效地提取出输入数据中更加抽象的特征。本方法对于光谱维度较高、空间结构复杂的高光谱图像,也具有很强的分类能力,是一种非常高效的高光谱图像分类方法。
Claims (3)
1.一种基于NSCT和SAE的高光谱图像分类方法,包括如下步骤:
(1)输入图像:
输入一幅包含不同地物的高光谱图像;
(2)预处理:
(2a)对输入的高光谱图像的像素值进行归一化操作,得到归一化图像;
(2b)采用主成分分析方法,将归一化图像的光谱维度降低到4维,得到降维后的图像;
(3)进行非下采样轮廓波变换:
对降维后的图像进行非下采样轮廓波变换NSCT,得到变换域的56个高频系数子带;
(4)选取系数子带:
在56个高频系数子带中任意选取一个系数子带;
(5)选取正方形邻域图像块
(5a)在所取系数子带中任意选取一个系数;
(5b)在所取系数中取一个大小为17×17像素的正方形邻域图像块;
(6)提取像素的局部纹理特征:
(6a)按照下式,对所取正方形邻域图像块中每个像素进行离散化操作,得到离散化像素:
Pi=f(Li/M×32)
其中,Pi表示所取正方形邻域图像块中第i个像素的离散化值,f(g)表示向上取整操作,Li表示所取正方形邻域图像块中第i个像素的值,M表示所取正方形邻域图像块中像素的最大值;
(6b)将所取正方形邻域图像块中的所有离散化像素组成离散化矩阵;
(6c)在高频系数子带中每个系数的离散化矩阵中,提取横向和纵向间隔均为5的所有像素对;
(6d)将所有像素对按照灰度值进行分组;
(6e)将每个组的像素对个数组成灰度共生矩阵;
(6f)按照下式,对灰度共生矩阵中每个元素进行归一化操作,得到归一化值:
其中,Qj表示灰度共生矩阵中第j个元素的归一化值,Pj表示灰度共生矩阵中第j个元素的值,∑表示求和操作,N表示灰度共生矩阵中元素的总数;
(6g)将所有的归一化值组成归一化矩阵;
(6h)按照下式,计算归一化矩阵的熵值,将该熵值作为像素的局部纹理特征:
其中,E表示图像块的灰度共生矩阵的熵值,Qk表示归一化矩阵中第k个元素的值,log表示以2为底的自然对数操作;
(7)判断是否选取完所选系数子带的所有系数,若是,则执行步骤(8);否则,执行步骤(5);
(8)判断56个高频系数子带是否选取完,若是,则执行步骤(9);否则,执行步骤(4);
(9)获得三维图像矩阵:
对每一个像素的局部纹理特征和输入的高光谱图像中相同位置的光谱特征进行首尾相连,得到包含局部纹理特征和光谱特征的三维图像矩阵;
(10)选择训练样例:
从三维图像矩阵的每一类像素中随机选择10%的像素,作为训练样例;
(11)构建栈式自编码器SAE:
(11a)将训练样例作为自编码器的输入特征向量;
(11b)利用隐藏层特征向量计算公式,生成第一层自编码器隐藏层的特征向量;
所述的隐藏层特征向量计算公式如下:
y=f(W(1)x+b(1))
其中,y表示第一层自编码器隐藏层的特征向量,f(g)表示sigmoid非线性激活操作,W(1)表示自编码器的输入层和隐藏层之间的权值参数,x表示自编码器的输入特征向量,b(1)表示自编码器的隐藏层神经元的偏置参数;
(11c)利用输出层特征向量计算公式,生成第一层自编码器输出层的特征向量;
所述的输出层特征向量计算公式如下:
z=f(W(2)y+b(2))
其中,z表示第一层自编码器输出层的特征向量,W(2)表示自编码器的隐藏层和输出层之间的权值参数,b(2)表示自编码器的输出层神经元的偏置参数;
(11d)利用自编码器的训练方法,优化第一层自编码器的参数;
(11e)将第一层自编码器的隐藏层特征向量作为第二层自编码器的输入特征向量,采用与步骤(11b)、步骤(11c)、步骤(11d)相同的方法,构建第二层自编码器;
(12)进行非线性变换操作:
利用全连接层特征向量公式,对第二层自编码器的隐藏层特征向量进行非线性变换操作,生成全连接层的输出特征向量;
所述的全连接层特征向量计算公式如下:
s=f(W(3)y+b(3))
其中,s表示全连接层的输出特征向量,W(3)表示全连接层的权值参数,b(3)表示全连接层的偏置参数;
(13)微调模型中的参数:
将全连接层的输出特征向量作为softmax分类器的输入特征向量,对栈式自编码器和softmax分类器组成的神经网络模型,采用反向传播方法微调模型中的参数;
(14)输出高光谱图像的分类结果:
将图像矩阵的每一个像素作为神经网络模型的输入,输出高光谱图像的分类结果图。
2.根据权利要求1所述基于NSCT和SAE的高光谱图像分类方法,其特征在于,步骤(3)中所述非下采样轮廓波变换NSCT的步骤如下:
第一步,构造拉普拉斯金字塔滤波器和方向滤波器组;
第二步,对降维后图像的所有光谱子带进行3层非下采样轮廓波变换,每一层的方向子带个数分别为2、4、8,得到56个高频系数子带和1个低频系数子带。
3.根据权利要求1所述基于NSCT和SAE的高光谱图像分类方法,其特征在于,步骤(11d)中所述的自编码器的训练方法步骤如下:
第一步,按照下式,计算自编码器的重构误差值:
其中,J(θ)表示自编码器的重构误差值,∑表示求和操作,Tn={x(1),x(2),...,x(n)}表示包含n个样例的训练样例集合,||g||2表示二范数的平方操作;
第二步,利用随机梯度下降算法,调整自编码器中的权值参数和偏置参数,获得自编码器的最小重构误差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710277394.9A CN107122733B (zh) | 2017-04-25 | 2017-04-25 | 基于nsct和sae的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710277394.9A CN107122733B (zh) | 2017-04-25 | 2017-04-25 | 基于nsct和sae的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107122733A CN107122733A (zh) | 2017-09-01 |
CN107122733B true CN107122733B (zh) | 2019-10-11 |
Family
ID=59726425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710277394.9A Active CN107122733B (zh) | 2017-04-25 | 2017-04-25 | 基于nsct和sae的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122733B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633216B (zh) * | 2017-09-07 | 2021-02-23 | 深圳大学 | 高光谱遥感图像的三维表面空谱联合特征编码方法及装置 |
CN108445752B (zh) * | 2018-03-02 | 2021-08-17 | 北京工业大学 | 一种自适应选择深度特征的随机权神经网络集成建模方法 |
CN108694994B (zh) * | 2018-05-11 | 2021-06-22 | 浙江大学 | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 |
CN108830243A (zh) * | 2018-06-22 | 2018-11-16 | 西安电子科技大学 | 基于胶囊网络的高光谱图像分类方法 |
CN110008899B (zh) * | 2019-04-02 | 2021-02-26 | 北京市遥感信息研究所 | 一种可见光遥感图像候选目标提取与分类方法 |
CN110411566A (zh) * | 2019-08-01 | 2019-11-05 | 四川长虹电器股份有限公司 | 一种智能化光谱信号去噪方法 |
CN110702648B (zh) * | 2019-09-09 | 2020-11-13 | 浙江大学 | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 |
CN110717520B (zh) * | 2019-09-12 | 2023-03-10 | 华侨大学 | 基于高光谱图像空间特征和光谱特征融合的固废识别方法 |
CN112149712B (zh) * | 2020-08-19 | 2023-06-06 | 中国地质大学(武汉) | 一种高效的高光谱遥感数据压缩与分类模型的构建方法 |
CN112986169A (zh) * | 2021-03-11 | 2021-06-18 | 广东新一代工业互联网创新技术有限公司 | 一种基于采样轮廓波变换的紫外光谱污染物分类检测方法 |
CN115620150B (zh) * | 2022-12-05 | 2023-08-04 | 海豚乐智科技(成都)有限责任公司 | 基于孪生Transformer的多模态图像地面建筑识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551863A (zh) * | 2009-05-22 | 2009-10-07 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路提取方法 |
CN101739667A (zh) * | 2009-12-04 | 2010-06-16 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路增强方法 |
CN103049910A (zh) * | 2012-12-17 | 2013-04-17 | 华中科技大学 | 基于nsct与多通道互信息相结合的图像融合质量评估方法 |
CN105205453A (zh) * | 2015-08-28 | 2015-12-30 | 中国科学院自动化研究所 | 基于深度自编码器的人眼检测和定位方法 |
CN105608698A (zh) * | 2015-12-25 | 2016-05-25 | 西北工业大学 | 一种基于sae的遥感图像变化检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8654701B2 (en) * | 2008-11-13 | 2014-02-18 | Telefonaktiebolaget Lm Ericsson (Publ) | Creation and signalling of UE lists to support frequency selective repeater operation |
-
2017
- 2017-04-25 CN CN201710277394.9A patent/CN107122733B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551863A (zh) * | 2009-05-22 | 2009-10-07 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路提取方法 |
CN101739667A (zh) * | 2009-12-04 | 2010-06-16 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路增强方法 |
CN103049910A (zh) * | 2012-12-17 | 2013-04-17 | 华中科技大学 | 基于nsct与多通道互信息相结合的图像融合质量评估方法 |
CN105205453A (zh) * | 2015-08-28 | 2015-12-30 | 中国科学院自动化研究所 | 基于深度自编码器的人眼检测和定位方法 |
CN105608698A (zh) * | 2015-12-25 | 2016-05-25 | 西北工业大学 | 一种基于sae的遥感图像变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107122733A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122733B (zh) | 基于nsct和sae的高光谱图像分类方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN109035188B (zh) | 一种基于目标特征驱动的智能图像融合方法 | |
Lu et al. | A survey of image classification methods and techniques for improving classification performance | |
CN101488188B (zh) | 基于混合核函数的svm分类器的sar图像分类方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
Tso et al. | A contextual classification scheme based on MRF model with improved parameter estimation and multiscale fuzzy line process | |
CN109376804A (zh) | 基于注意力机制和卷积神经网络高光谱遥感图像分类方法 | |
Gueguen et al. | Toward a generalizable image representation for large-scale change detection: Application to generic damage analysis | |
CN109359623A (zh) | 基于深度联合分布适配网络的高光谱图像迁移分类方法 | |
CN104268556A (zh) | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 | |
CN108734199A (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN103310230A (zh) | 联合解混及自适应端元提取的高光谱图像分类方法 | |
Duarte-Carvajalino et al. | Multiscale representation and segmentation of hyperspectral imagery using geometric partial differential equations and algebraic multigrid methods | |
Xue et al. | Sparse graph regularization for robust crop mapping using hyperspectral remotely sensed imagery with very few in situ data | |
CN104700116B (zh) | 基于多层量子脊波表示的极化sar图像地物的分类方法 | |
Villa et al. | Super-resolution: an efficient method to improve spatial resolution of hyperspectral images | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
Blanco et al. | Ecological site classification of semiarid rangelands: Synergistic use of Landsat and Hyperion imagery | |
CN109002771A (zh) | 一种基于递归神经网络的遥感图像分类方法 | |
CN108399423A (zh) | 一种遥感影像分类的多时相-多分类器融合方法 | |
Villmann et al. | Extensions and modifications of the Kohonen-SOM and applications in remote sensing image analysis | |
Myint et al. | An evaluation of four different wavelet decomposition procedures for spatial feature discrimination in urban areas | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |