CN107194373A - 一种高光谱遥感影像特征提取与分类方法 - Google Patents
一种高光谱遥感影像特征提取与分类方法 Download PDFInfo
- Publication number
- CN107194373A CN107194373A CN201710455965.3A CN201710455965A CN107194373A CN 107194373 A CN107194373 A CN 107194373A CN 201710455965 A CN201710455965 A CN 201710455965A CN 107194373 A CN107194373 A CN 107194373A
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- target
- classification
- image feature
- remotely sensed
- 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.)
- Pending
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种高光谱遥感影像特征提取与分类方法,包括以下步骤:S1:选取高光谱遥感图像构建训练集;S2:进行数据预处理操作,以降低数据维度;S3:构建基本深信度网络模型;S4:进行特征提取,将数据的光谱特征和空间信息分别提取出来;S5:联合光谱空间信息完成图像的分类;S6:进行分类结果精度评价。本发明在采用深度网络模型实现高光谱影像分类时,联合光谱特征和空间信息进行分类,显著提升图像的分类精度,从而提高遥感目标检测识别的效率。
Description
技术领域
本发明涉及图像分类技术领域,特别是涉及一种高光谱遥感影像特征提取与分类方法。
背景技术
近年来,遥感技术取得了巨大的进步。高光谱遥感图像在描述地面真实信息方面的优势使其成为目标检测和分类等重要工具。高光谱图像分类是挖掘高光谱数据信息的常用技术。由于高光谱图像中信息量巨大,在分类前需要进行降维处理。神经网络和支持向量机(SVM)已被广泛应用于高光谱分类,由于其在处理高维数据方面的潜力,它们可以用于实现大部分数据的分类,但若想获得详细信息上则很难取得更好的效果。这个问题使得这些算法在某些领域受到限制。
发明内容
发明目的:本发明的目的是提供一种能够解决现有技术中存在的缺陷的高光谱遥感影像特征提取与分类方法。
技术方案:本发明所述的高光谱遥感影像特征提取与分类方法,包括以下步骤:
S1:选取高光谱遥感图像构建训练集;
S2:进行数据预处理操作,以降低数据维度;
S3:构建基本深信度网络模型;
S4:进行特征提取,将数据的光谱特征和空间信息分别提取出来;
S5:联合光谱空间信息完成图像的分类;
S6:进行分类结果精度评价。
进一步,所述步骤S2中,数据预处理操作采用主成分分析法进行。
进一步,所述步骤S3中,基本深信度网络模型由限制玻尔兹曼机堆叠而成,采用贪婪非监督分层学习的方式学习输入数据,并且在网络中采用逐层初始化的方法更新权重,在网络的最后一层采用Softmax分类器以监督方式实现网络参数的调优处理。
进一步,所述逐层初始化方法具体为在网络的每一层用对比散度算法进行预 训练。
进一步,所述步骤S5具体为:将提取出的光谱特征和空间信息同时加入到深信度网络模型中参与训练,构建基于联合光谱空间特征的深信度网络模型,从而完成图像的分类。
有益效果:本发明公开了一种高光谱遥感影像特征提取与分类方法,在采用深度网络模型实现高光谱影像分类时,联合光谱特征和空间信息进行分类,显著提升图像的分类精度,从而提高遥感目标检测识别的效率。
附图说明
图1为本发明具体实施方式中DBN模型的流程图;
图2为本发明具体实施方式中RBM结构模型示意图;
图3为本发明具体实施方式中印度松树数据集中16种地物光谱图;
图4为本发明具体实施方式中DBN模型结构图;
图5为本发明具体实施方式中联合光谱空间分类(JSSC)的实验结果。
具体实施方式
本具体实施方式公开了一种高光谱遥感影像特征提取与分类方法,如图1所示,具体操作步骤如下:
S1:选取典型类别的目标的高光谱遥感图像构建训练集。本实施例选取西北印第安纳州的印度松树测试区的高光谱数据集作为实验对象,机载可见/红外成像光谱仪(AVIRIS)获取。其尺寸为145×145,有224个波段。对原始图像进行去噪,不进行吸水实验,保留剩余200个波段。训练、验证和测试数据的比例为6:2:2。如图3为选取16类别地物的光谱图,表1是从印度松树数据集中选取的16种类别地物的样本分布情况。
表1选取的16种类别地物样本分布情况
S2:进行数据预处理操作,以降低数据维度。采用主成分分析法处理整个数据集,原始数据为矩阵但也需要标准化。
S3:构建深信度网络模型,如图4为模型的结构示意图。。深信度网络是一种深度学习模型,该模型由多层限制玻尔兹曼机(RBM)堆叠而成,其训练方法是:使用非监督贪婪逐层方法去预训练获得权值。
限制玻尔兹曼机是一种生成式随机神经网络,有两层神经元,一层叫做显层,由可见单元(对应可见变量v)组成,用于输入训练数据,另一层为隐层,由隐藏单元(对应隐藏变量h)组成,用作特征检测器。可见变量和隐藏变量都是二元变量,即取值情况为{0,1}。整个网络是一个二分图(如图2),只有可见单元和隐藏单元之间才存在边,可见单元之间和隐藏单元之间没有边连接。对于一组给定的状态(v,h),RBM的联合配置能量函数为:
其中,θ=(Wij,ai,bj)是RBM的参数,Wij是可见单元v和隐藏单元h之间的边的权重,bi和aj分别为可见单元和隐藏单元的偏移量。根据v和h联合配置的能量可得v和h的联合概率分布为:
其中,是归一化因子,又称为配分函数。通过最大化对数似然函数L(θ)可得到RBM的参数,该函数的表达式如公式(3)所示:
通常采用随机梯度下降方法最大化L(θ),首先需要求得L(θ)对W的导数:
可见变量和隐藏变量的条件概率分布如下:
在计算联合概率期望时,由于计算归一化因子Z(θ)的时间复杂度将达到O(2m+n),计算量非常大,故使用对比散度算法(Contrastive Divergence,CD),吉布斯采样次数取1次,将抽样所得的样本集合看作是P(v,h)的近似,通过这种近似的方式重构数据。网络权重的学习如下:
Δwij=Edata(vihj)-Emodel(vihj) (7)
其中,被减数等于输入数据能量函数的期望,减数等于模型能量函数的期望,该期望通过对比散度算法获得。
DBN模型包括数据预处理、预训练和网络调优三个重要环节,如图4所示。在预处理中,将输入网络中的三维数据转换为二维向量。在预训练中,逐层训练每一个非监督的RBM网络,确保输入向量能被映射到不同特征空间并且尽可能多的保存特征信息。每一层训练好后才进行下一层的叠加,参数逐层传播,后一层可视变量是前一层隐藏变量的双倍,后一层的特征都是从前一层学习得到。在网络的最后一层使用softmax分类器对网络调优,并标记每个像素和分类结果。
S4:进行特征提取,将数据额光谱的特征和空间特征分别提取出来,为完成图像的分类做准备。
S5:联合光谱空间信息完成图像的分类。将光谱特征和空间信息同时输入深信度网络模型中训练,监督学习率设为0.01,非监督学习率设为0.001。为了更 好的说明本发明中所提出方法的有效性,分别采用SVM和深信度网络模型进行分类实验。用训练样本随机进行100次实验,获得SVM分类器和DBN分类器下的精度的平均值。
S6:进行分类结果精度评价。为了更好说明比较SVM和联合光谱空间分类(JSSC)的分类性能,采用整体分类精度(Overall accuracy,OA)、平均分类精度(Average accuracy,AA)、Kappa一致性系数来评价两种分类器的性能。表2为分别使用JSSC(主成分数量n=3)和SVM进行实验所得分类结果,如图5展示了JSSC实验所得分类结果。表3为分别JSSC-DBN(主成分数量n=4)和SVM作为分类器进行实验的分类结果。根据实验结果,显然可知本发明所提出方法的有效性和实用性。
表2 JSSC和SVM的分类精度比较
表3 JSSC-DBN和SVM的分类精度比较
Claims (5)
1.一种高光谱遥感影像特征提取与分类方法,其特征在于:包括以下步骤:
S1:选取高光谱遥感图像构建训练集;
S2:进行数据预处理操作,以降低数据维度;
S3:构建基本深信度网络模型;
S4:进行特征提取,将数据的光谱特征和空间信息分别提取出来;
S5:联合光谱空间信息完成图像的分类;
S6:进行分类结果精度评价。
2.根据权利要求1所述的高光谱遥感影像特征提取与分类方法,其特征在于:所述步骤S2中,数据预处理操作采用主成分分析法进行。
3.根据权利要求1所述的高光谱遥感影像特征提取与分类方法,其特征在于:所述步骤S3中,基本深信度网络模型由限制玻尔兹曼机堆叠而成,采用贪婪非监督分层学习的方式学习输入数据,并且在网络中采用逐层初始化的方法更新权重,在网络的最后一层采用Softmax分类器以监督方式实现网络参数调优处理。
4.根据权利要求3所述的高光谱遥感影像特征提取与分类方法,其特征在于:所述逐层初始化方法具体为在网络的每一层用对比散度算法进行预训练。
5.根据权利要求1所述的高光谱遥感影像特征提取与分类方法,其特征在于:所述步骤S5具体为:将提取出的光谱特征和空间信息同时加入到深信度网络模型中参与训练,构建基于联合光谱空间特征的深信度网络模型,从而完成图像的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710455965.3A CN107194373A (zh) | 2017-06-16 | 2017-06-16 | 一种高光谱遥感影像特征提取与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710455965.3A CN107194373A (zh) | 2017-06-16 | 2017-06-16 | 一种高光谱遥感影像特征提取与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107194373A true CN107194373A (zh) | 2017-09-22 |
Family
ID=59879027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710455965.3A Pending CN107194373A (zh) | 2017-06-16 | 2017-06-16 | 一种高光谱遥感影像特征提取与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194373A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171122A (zh) * | 2017-12-11 | 2018-06-15 | 南京理工大学 | 基于全卷积网络的高光谱遥感图像的分类方法 |
CN109727210A (zh) * | 2018-12-20 | 2019-05-07 | 中国地质大学(武汉) | 基于近似l0改造的深度信念网络的遥感图像解混方法及系统 |
CN110458208A (zh) * | 2019-07-24 | 2019-11-15 | 哈尔滨工业大学 | 基于信息测度的高光谱图像分类方法 |
CN110619373A (zh) * | 2019-10-31 | 2019-12-27 | 北京理工大学 | 一种基于bp神经网络的红外多光谱微弱目标检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096825A (zh) * | 2011-03-23 | 2011-06-15 | 西安电子科技大学 | 基于图的半监督高光谱遥感图像分类方法 |
CN102915445A (zh) * | 2012-09-17 | 2013-02-06 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104268579A (zh) * | 2014-10-14 | 2015-01-07 | 哈尔滨工业大学 | 基于分层集成学习的高光谱遥感图像分类方法 |
CN105069468A (zh) * | 2015-07-28 | 2015-11-18 | 西安电子科技大学 | 基于脊波和深度卷积网络的高光谱图像分类方法 |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
CN105740894A (zh) * | 2016-01-28 | 2016-07-06 | 北京航空航天大学 | 一种高光谱遥感图像的语义标注方法 |
CN105930877A (zh) * | 2016-05-31 | 2016-09-07 | 上海海洋大学 | 一种基于多模态深度学习的遥感影像分类方法 |
CN106529458A (zh) * | 2016-10-31 | 2017-03-22 | 重庆大学 | 一种面向高光谱图像的深度神经网络空间谱分类方法 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
-
2017
- 2017-06-16 CN CN201710455965.3A patent/CN107194373A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096825A (zh) * | 2011-03-23 | 2011-06-15 | 西安电子科技大学 | 基于图的半监督高光谱遥感图像分类方法 |
CN102915445A (zh) * | 2012-09-17 | 2013-02-06 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104268579A (zh) * | 2014-10-14 | 2015-01-07 | 哈尔滨工业大学 | 基于分层集成学习的高光谱遥感图像分类方法 |
CN105069468A (zh) * | 2015-07-28 | 2015-11-18 | 西安电子科技大学 | 基于脊波和深度卷积网络的高光谱图像分类方法 |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
CN105740894A (zh) * | 2016-01-28 | 2016-07-06 | 北京航空航天大学 | 一种高光谱遥感图像的语义标注方法 |
CN105930877A (zh) * | 2016-05-31 | 2016-09-07 | 上海海洋大学 | 一种基于多模态深度学习的遥感影像分类方法 |
CN106529458A (zh) * | 2016-10-31 | 2017-03-22 | 重庆大学 | 一种面向高光谱图像的深度神经网络空间谱分类方法 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171122A (zh) * | 2017-12-11 | 2018-06-15 | 南京理工大学 | 基于全卷积网络的高光谱遥感图像的分类方法 |
CN109727210A (zh) * | 2018-12-20 | 2019-05-07 | 中国地质大学(武汉) | 基于近似l0改造的深度信念网络的遥感图像解混方法及系统 |
CN110458208A (zh) * | 2019-07-24 | 2019-11-15 | 哈尔滨工业大学 | 基于信息测度的高光谱图像分类方法 |
CN110619373A (zh) * | 2019-10-31 | 2019-12-27 | 北京理工大学 | 一种基于bp神经网络的红外多光谱微弱目标检测方法 |
CN110619373B (zh) * | 2019-10-31 | 2021-11-26 | 北京理工大学 | 一种基于bp神经网络的红外多光谱微弱目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011499B (zh) | 一种基于双注意力机制的高光谱遥感图像分类方法 | |
CN112232280B (zh) | 基于自编码器与3d深度残差网络的高光谱图像分类方法 | |
CN110728224B (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN107145830B (zh) | 基于空间信息增强和深度信念网络的高光谱图像分类方法 | |
CN105427300B (zh) | 一种基于低秩表示和学习字典的高光谱图像异常探测方法 | |
CN109598306B (zh) | 基于srcm和卷积神经网络的高光谱图像分类方法 | |
Gu et al. | Representative multiple kernel learning for classification in hyperspectral imagery | |
CN107194433A (zh) | 一种基于深度自编码网络的雷达一维距离像目标识别方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN108090447A (zh) | 双分支深层结构下的高光谱图像分类方法及装置 | |
CN107194373A (zh) | 一种高光谱遥感影像特征提取与分类方法 | |
CN108764173A (zh) | 基于多类生成对抗网络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 | |
CN108460391A (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN110852369B (zh) | 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法 | |
CN105069478A (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
Carrara et al. | On the robustness to adversarial examples of neural ode image classifiers | |
CN112200123B (zh) | 联合稠密连接网络和样本分布的高光谱开放集分类方法 | |
He et al. | Hyperspectral image classification based on deep stacking network | |
Ge et al. | Adaptive hash attention and lower triangular network for hyperspectral image classification | |
CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |