CN107316013A - 基于nsct变换和dcnn的高光谱图像分类方法 - Google Patents

Abstract

本发明公开了基于NSCT变换和DCNN的高光谱图像分类方法，解决了现有技术中不能充分挖掘待分类高光谱图像纹理细节和方向性信息的问题。本发明的实现为：输入高光谱图像；进行NSCT变换；对变换后立体块归一化并进行取块操作；在样本集合中随机选取训练、验证和测试样本集；构造深度卷积神经网络，设置网络超参数；训练网络；测试样本输入网络得到实际分类标签，画地物分类结果图；分类标签与测试样本参考标签对比计算分类评价指标，画出训练和验证样本随迭代次数增加的损失曲线图，完成地物分类。本发明保留了高光谱图像更多的纹理细节、方向性和空间信息，分类更加准确，可应用于气象、环境监测、土地利用、城市规划及防灾减灾等。

Description

基于NSCT变换和DCNN的高光谱图像分类方法

技术领域

本发明属于图像处理技术领域，涉及高光谱图像分类，具体是一种基于非下采样轮廓波(NSCT)变换和深度卷积神经网络(DCNN)的高光谱图像分类方法。可应用于气象监测、环境监测、土地利用、城市规划及防灾减灾等。

背景技术

高光谱遥感图像由于是对物体在大范围波段内连续成像，具有光谱分辨率高、蕴含信息丰富的优点，因此，高光谱图像在遥感领域得到了广泛的应用。高光谱图像分类在地质勘探、食品安全、环境监测等领域有着重要的应用，也是高光谱遥感领域其他应用的基础，其目的是对大范围波段连续成像的像元按照其语义划分为不同的地物类别。

近年来，随着计算机并行计算能力的快速提高以及各类数据数据量的指数级增长，深度神经网络作为一种强大的特征提取方法已受到国内外学者的广泛关注并已成功应用于图像、文本、语音、视频等数据的特征提取中且普遍取得了比传统方法更好的效果，因此也被引入到高光谱图像的分类中来。目前基于深度神经网络进行高光谱图像分类的方法有基于栈式自编码(SAE)的，基于深度置信网(DBN)的和基于深度卷积神经网络(DCNN)的。

Zhouhan Lin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)中使用SAE对高光谱图像进行分类，该方法将原始高光谱图像块取7×7小块，然后用主成分分析(PCA)对每一个小块在光谱维度进行降维，将降维后的图像拉伸成向量作为SAE的输入，用SAE提取非线性特征，最后用支持向量机(SVM)进行分类。

Tong Li等人在论文“Classification of hyperspectral image based on deepbelief networks”(IEEE Transactions on Image Processing 2014)中使用DBN对高光谱图像进行分类，该方法将图像用PCA降维后对每个像素取7×7小块，然后拉成向量再与原始像素向量进行拼接，这样得到的长向量作为深度置信网(DBN)的输入，最后用逻辑回归(LR)分类器进行分类。

SAE和DBN都需要输入的数据为一维的向量，因此，在使用SAE和DBN进行高光谱图像分类时都需要先将输入数据转化成一维的向量形式，DCNN可以允许二维图像的输入，因此在保留像素空间信息的情况下，DCNN具有更低的输入复杂度，因而在高光谱图像分类应用中使用得最为广泛。Konstantinos Makantasis等人在论文“Deep supervised learningfor hyperspectral data classification through convolutional neural networks”(IEEE IGARSS 2015)中使用DCNN对高光谱图像进行分类，该方法首先对原始高光谱图像使用随机化主成分分析(R-PCA)进行降维，然后对降维后的图像进行取块，划分训练集、验证集和测试集，最后将训练集用于DCNN的训练。

上述基于深度神经网络的高光谱图像分类方法都不同程度地提高了高光谱图像的分类精度。然而，这些高光谱图像分类方法都是在空间域和光谱域进行的，并未对高光谱图像潜在的边缘和纹理细节信息进行挖掘，而高光谱图像提高光谱分辨率的同时会不可避免地压缩高光谱图像的空间分辨率，从而导致高光谱图像的空间纹理细节信息需要一定的技术才能挖掘出来，因此上述方法均存在不能有效提取高光谱图像细节信息的问题。

发明内容

本发明针对上述已有技术的不足，提出一种将非下采样轮廓波变换和深度卷积神经网络结合进行高光谱图像分类的方法。

本发明是一种基于非下采样轮廓波(NSCT)变换和深度卷积神经网络(DCNN)的高光谱图像分类方法，其特征在于，包括有如下步骤：

(1)输入任选的一幅尺寸为h×w×n待分类高光谱图像；

(2)对该高光谱图像进行降维，对降维后的每一个主分量分别进行非下采样轮廓波(NSCT)变换，保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块；

(3)对立体块进行归一化操作；

(4)对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得到样本集合；

(5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的10％为测试样本集，每一个样本均有各自的参考标签；

(6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络(DCNN)，并用Softmax函数作为分类器，设置网络的超参数；

(7)对深度卷积神经网络进行有监督训练，通过验证样本调整深度卷积神经网络的超参数并防止过拟合，得到训练好的深度卷积神经网络；

(8)将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本分类的总体精度(OA)、平均精度(AA)以及Kappa系数，画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成高光谱图像的地物分类。

本发明能够充分利用高光谱图像非下采样轮廓波变换变换域的特征，该特征不仅能包含高光谱图像的边缘和纹理细节信息，还能在一定程度上反映高光谱像元之间的局部空间关系，本发明还通过深度卷积神经网络对这些特征进行进一步的整合和提取，从而获得更具判别性的特征，将这些特征输入到Softmax分类器中进行分类，提高了高光谱图像分类的性能。

本发明与现有的技术相比具有以下优点：

第一，本发明利用了非下采样轮廓波变换的多尺度、多方向和各向异性特性来提取高光谱图像的边缘和纹理细节特征，不仅减少了原始高光谱图像中对分类没有贡献的信息，还能在一定程度上保留高光谱图像像素之间的局部空间关系，有利于高光谱图像的分类。

第二，本发明在进行分类之前，使用了深度卷积神经网络对变换得到的多个尺度的特征进行进一步的整合和提取并通过全连接层对提取后的特征进行加权组合，从而对于不同的类别，全连接层能够输出不同的特征组合。相对于直接将经过NSCT变换得到的高频子带系数输入到分类器中进行分类的方法，本发明能够提取出更具判别性的特征从而提高分类性能。

附图说明

图1是本发明的基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法流程图；

图2是本发明实验使用图像及其真实地物分类图；

图3是本发明与现有技术对图2的分类结果对比图；

图4是本发明对图2的训练以及验证样本随着迭代次数增加的误差曲线图。

具体实施方式

下面结合附图对本发明的技术方案和效果做详细描述。

实施例1

高光谱遥感是利用成像光谱仪，从电磁波谱的紫外一直到热红外波段范围内以小于10nm的波段宽度对地表同时成像的技术，它不仅能够反映物体的表面特性，而且能够反映物体的内在特性，因此在遥感领域得到了广泛的应用。高光谱图像分类是高光谱遥感应用领域非常重要的一个领域，也是高光谱遥感许多其他应用的基础，因此是目前高光谱遥感研究最为广泛的一个领域。

目前大部分高光谱图像分类方法都是在空间域进行的，而高光谱图像提高光谱分辨率的同时会不可避免地压缩高光谱图像的空间分辨率，从而导致高光谱图像的边缘和纹理细节信息需要一定的技术才能挖掘出来，现有方法均存在不能有效提取高光谱图像细节信息的问题。

为了得到更好的分类效果，本发明提出一种基于非下采样轮廓波(NSCT)变换和深度卷积神经网络(DCNN)的高光谱图像分类方法，参见图1，本发明针对高光谱图像的分类，包括有如下步骤：

(1)输入任选的一幅尺寸为h×w×n待分类高光谱图像，h为高光谱图像的高，w为高光谱图像的宽，n为高光谱图像光谱维的维度。通常高光谱图像光谱维的维度都在100～1000之间。

(2)由于高光谱图像的光谱维具有很高的维度，即n很大，因此在对高光谱图像进行NSCT变换之前需要对该高光谱图像进行降维，目前常用的降维方法有主成分分析(PCA)、线性判别分析(LDA)、局部保持映射(LPP)等，本发明降维的目的是在降低高光谱图像维度的同时最大限度地保留高光谱图像的能量，本例中本发明采用实现最简单的PCA对高光谱图像进行降维。对降维后的每一个主分量分别进行NSCT变换，NSCT变换能够在多个尺度上对高光谱图像的低频部分和高频部分进行分离，其中高频部分包含有高光谱图像的纹理细节信息，因此本发明仅保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块。本发明使用其他的降维方法同样能够实现高光谱图像的降维。

(3)为了减小立体块中不同像素点值的差异，并利于后续的网络训练，对立体块进行归一化操作。

(4)由于高光谱图像空间分辨率较低，而且有标记样本十分有限，因此不能直接对整幅高光谱图像进行分类，本发明对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得到样本集合。

(5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的10％为测试样本集，每一个样本均有各自的参考标签。

(6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络(DCNN)，使用多层卷积层可以通过逐层扩大局部感受野提取抽象的特征。因为输入样本的尺寸有限，本网络均不采用下采样操作。全连接层可以对卷积层提取的特征进行加权组合，不同的地物类别通过不同的加权组合可以得到非常具有判别性的特征，最后将这些特征输入到Softmax函数中进行分类。设置每一层卷积层卷积核的尺寸、卷积核的个数、卷积操作的步长、全连接层神经元的个数、学习率、最大迭代次数，提前终止(Early Stopping)的参数Patience，批(Batch)的大小等超参数。本发明的深度卷积神经网络的结构从输入到输出的顺序依次是输入层-第一卷积层-第二卷积层-第三卷积层-第四卷积层-第一全连接层-第二全连接层-Softmax层，Softmax层输出最终的分类结果。

(7)对深度卷积神经网络进行有监督训练，使用交叉熵损失函数计算实际输出与参考输出之间的误差，并通过自适应梯度(AdaGrad)来更新DCNN的权重。通过验证样本调整深度卷积神经网络的超参数并防止过拟合，得到训练好的深度卷积神经网络。

(8)将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本分类的总体精度(OA)、平均精度(AA)以及Kappa系数。画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成高光谱图像的地物分类。

本发明利用了非下采样轮廓波变换的多尺度、多方向和各向异性特性来提取高光谱图像的边缘和纹理细节特征，这些边缘和纹理细节特征通过DCNN的进一步整合和提取，能够获得更具有判别性的特征，从而提高高光谱图像分类的性能。

实施例2

基于NSCT变换和DCNN的高光谱图像分类方法同实施例1，本发明步骤(2)中的非下采样轮廓波(NSCT)变换，按照如下步骤进行：

(2a)对原始高光谱图像在光谱方向上使用主成分分析(PCA)进行降维操作，综合主分量的能量保留情况和后续NSCT变换的计算复杂度，本发明保留前3个主分量。

(2b)对降维后得到的3个主分量分别进行3级非下采样轮廓波(NSCT)变换，变换得到的子带系数矩阵与变换级数成指数关系，即第k级变换是对第k-1级NSCT变换得到的低频子带系数矩阵进一步分解得到的，经过第k级变换得到1个低频子带系数矩阵和2^k个高频子带系数矩阵，每一个子带系数矩阵的尺寸均为h×w，k＝1,2,3。综合不同尺度的细节信息的获取情况和后续网络的计算复杂度，本发明采用3级非下采样轮廓波(NSCT)变换。

(2c)由于低频子带系数矩阵几乎不包含能够区分不同地物的信息，因此本发明仅保留每一级变换的高频子带系数矩阵，并将所有的高频子带系数矩阵在第三个维度进行叠加得到第三个维度的维数c，c＝3×(2¹+2²+2³)＝42维，最终得到一个尺寸为h×w×c的立体块。

NSCT变换作为一种多尺度几何分析方法，具有多方向、多尺度和各向异性的特性，对二维图像具有最优的表示能力，在本发明中也有充分体现。

本发明不仅给出了对降维后的高光谱图像进行NSCT变换的方法，还给出了进行3级NSCT变换具体方案，在NSCT变换中，若进行变换的级数过少，会导致高光谱图像的边缘和纹理细节信息挖掘不充分。若进行变换的级数过多，则会大大增加NSCT变换后立体块第三维的维度，从而导致在使用DCNN进行训练时计算复杂度过高，训练时间过长。综合试验与理论分析，本发明采用3级NSCT变换是比较合理的。

实施例3

基于NSCT变换和DCNN的高光谱图像分类方法同实施例1-2，本发明步骤(4)所述的取块操作，按照如下步骤进行：

(4a)为了对原始高光谱图像中的每一个像素进行分类，在取块之前，对高频子带系数矩阵叠加得到的立体块外围进行2层0填充操作，得到一个尺寸为(h+4)×(w+4)×c的立体块；

(4b)以每个像素点为中心，用5×5的滑动窗对立体块进行取块操作，所取块的尺寸为5×5×c；

(4c)剔除中心像素点的类别标签值为0的块，完成取块操作，得到样本集合。

因为高光谱图像空间分辨率普遍较低，不能直接对整幅高光谱图像进行分类，需要对每一类地物像素进行分类，本发明在进行分类前的取块操作，既扩充了样本的数量，又保留了地物像素之间的局部空间关系。

实施例4

基于NSCT变换和DCNN的高光谱图像分类方法，同实施例1-3，步骤(6)所述的深度卷积神经网络(DCNN)网络超参数设置，按照如下步骤进行：

(6a)因为输入块的尺寸为5×5×c，设置每一层卷积层卷积核的尺寸为3×3，第一卷积层的卷积核个数为3×c，第二卷积层的卷积核个数为6×c，第三卷积层的卷积核个数为6×c，第四卷积层的卷积核个数为9×c，第一全连接层神经元个数为6×c，第二全连接层神经元个数为3×c，为了加深网络结构，在第一卷积层和第二卷积层在进行卷积之前对前一层的输入进行1层0填充操作。

(6b)随机初始化网络的权重W和偏置b，设置学习率为0.005，最大迭代次数为500，提前终止(Early Stopping)的参数Patience为40，批(Batch)的大小为512。

实施例5

基于NSCT变换和DCNN的高光谱图像分类方法，同实施例1-4，步骤(7)所述的有监督训练过程，按照如下步骤进行：

(7a)将每一个块的中心像素所对应的标签值转化成one-hot形式的类别标签向量，即对于C类的类别标签向量[C₁,C₂,…,C_k,…C_n]，若中心像素对应得类别为k，则该类别标签向量只有C_k为1，其余元素均为0；

(7b)将训练样本分批输入到DCNN中，对应的类别标签向量作为Softmax分类器的参考输出，Softmax分类器的定义如下：

其中表示第L层第j个神经元的输出，为第L层第j个神经元的输入，其定义为：

其中为L-1层的输出，即全连接层的输出，为偏置，L层为Softmax层，这是一个概率值，表示属于第j类的概率，对于L层每一个神经元均输出一个概率值，表示当前输入分别属于每一类的概率，其中最大的概率所属的类别就是输入图像所属的类别。由上述Softmax分类器定义可知，所有概率值相加和为1。

(7c)计算网络的实际输出；

(7d)使用交叉熵损失函数计算实际输出与参考输出之间的误差，并通过自适应梯度(AdaGrad)来更新网络的W和b，交叉熵损失函数的定义如下：对于m个训练样本，其损失函数定义如下：

其中1{y⁽ⁱ⁾＝j}为示性函数，其取值规则为1{表达式的值为真}＝1，1{表达式的值为假}＝0。；

(7e)使用验证样本对网络训练情况进行监测以调整网络的超参数，使用提前终止策略来防止网络过拟合，每进行一次迭代，计算一次验证样本的分类精度，记录下最佳的分类精度，当验证样本的分类精度在40次内不再提高时停止训练。

本发明在进行分类之前，使用了深度卷积神经网络对变换得到的多个尺度的特征进行进一步的整合，通过不断扩大感受野逐层提取越来越抽象的特征，然后通过全连接层对这些抽象的语义特征进行加权组合，从而对于不同的类别，全连接层能够输出不同的特征组合，将这些特征组合输入到Softmax分类器中，能够更加有效地对高光谱图像的不同地物进行分类。

下面给出一个更加详尽的例子，对本发明进一步说明：

实施例6

基于NSCT变换和DCNN的高光谱图像分类方法同实施例1-5，参照附图1，本发明的具体步骤如下：

步骤1：输入图像。

输入一幅尺寸为145×145×220的高光谱图像，如图2所示，其中图2(a)为输入的高光谱图像的伪彩色图，图2(b)为2(a)对应的真实地物分类图。

步骤2：对高光谱图像进行降维。

对数据进行降维的方法有PCA，LDA，LPP等方法，本发明使用PCA方法对步骤1中输入的高光谱图像进行降维处理，具体步骤如下：

2.1求出输入的高光谱图像的协方差矩阵；

2.2根据协方差矩阵得到输入的高光谱图像的分量图；

2.3保留前3个能量值最大的分量图。

步骤3：NSCT变换。

对这3个分量图分别作3级NSCT变换，提取变换域特征，然后将得到的这些特征图进行叠加组成立体块I。具体步骤如下：

3.1对于每一个分量图，进行一级NSCT变换得到1个低频子带系数矩阵和2个高频子带系数矩阵，所有矩阵的尺寸均为145×145×1；

3.2对第一级NSCT变换得到的低频子带系数矩阵进行第二级NSCT变换，得到一个低频子带系数矩阵和2²＝4个高频子带系数矩阵，所有矩阵的尺寸均为145×145×1；

3.3对第二级NSCT变换得到的低频子带系数矩阵进行第三级NSCT变换，得到一个低频子带系数矩阵和2³＝8个高频子带系数矩阵，所有矩阵的尺寸均为145×145×1；

3.4将三个主分量进行三级NSCT变换得到的高频子带系数矩阵进行叠加，得到一个尺寸为145×145×42的立体块。

步骤4：获取训练样本、验证样本和测试样本

对得到的立体块沿空间方向进行逐像素取块可以得到大量的小块，每个小块的标签值为中心像素的标签值。在这些小块中，有一部分标签值为0，这一部分像素是背景像素，不代表任何地物，因此，剔除这些标签值为0的小块。具体步骤如下：

4.1对得到的立体块进行两层0填充操作，以每个像素点为中心，用5×5的滑动窗对立体块进行取块操作，得到21025个尺寸为5×5×42的小块；

4.2剔除中心像素点的类别标签值为0的小块，得到10249个小块作为样本集合；

4.3对样本集合随机选取80％作为训练样本集合，总的训练样本数为8200，对样本集合随机选取10％作为验证样本集合，验证样本数为1024，剩下的10％作为测试样本，测试样本数为1025。

步骤5：DCNN的网络配置和训练

5.1搭建一个由四个卷积层，两个全连接层，一个Softmax输出层的深度卷积神经网络结构；

5.2随机打乱训练样本的顺序，将得到的训练样本集合以512个为一批输入到搭建好的网络中；

5.3网络的第一层为卷积层，卷积核的大小为3×3，卷积核的个数为3×42，卷积核的步长为1，采用随机初始化方式对卷积核的连接权重进行初始化，连接偏置初始化为0，在进行卷积之前对输入到卷积层的数据外围进行1层0填充操作。卷积之后输出的特征图个数为3×42，尺寸为5×5；

5.4网络的第二层为卷积层，输入为上一层卷积层输出的特征图，卷积核的大小为3×3，卷积核的个数为6×42，卷积核的步长为1，采用随机初始化方式对卷积核的连接权重进行初始化，连接偏置初始化为0，在进行卷积之前对上一个卷积层输出的特征图外围进行1层0填充操作。卷积之后输出的特征图个数为6×42，尺寸为5×5；

5.5网络的第三层为卷积层，输入为上一层卷积层输出的特征图，卷积核的大小为3×3，卷积核的个数为6×42，卷积核的步长为1，采用随机初始化方式对卷积核的连接权重进行初始化，连接偏置初始化为0，卷积之后输出的特征图个数为6×42，尺寸为3×3；

5.6网络的第四层为卷积层，输入为上一层卷积层输出的特征图，卷积核的大小为3×3，卷积核的个数为9×42，卷积核的步长为1，采用随机初始化方式对卷积核的连接权重进行初始化，连接偏置初始化为0，卷积之后输出的特征图个数为9×42，尺寸为1×1；

5.7网络的第五层为全连接层，输入为上一层卷积层输出的特征图，神经元的个数设为6×42，激活函数为Sigmoid函数；

5.8网络的第六层为全连接层，输入为上一层全连接层的输出，神经元的个数设为3×42，激活函数为Sigmoid函数；

5.9网络的第七层为输出层，输出类别为16类，采用Softmax函数将上一层全连接层的输出归一化到每个元素值为[0,1]之间的向量；

5.10将Softmax函数输出的向量与真实的标签向量使用交叉熵损失函数计算误差，然后通过后向传播和自适应梯度法从后往前逐层更新网络的连接权重和偏置；

5.11设置网络最大迭代次数为500次，学习率为0.005；

5.12为了防止网络出现过拟合现象，采用提前终止策略，设提前终止策略的参数为40，网络每进行一次迭代计算一次验证样本的分类精度，记录下最佳的分类精度，当验证样本的分类精度在40次内不再提高时停止训练。

步骤6：计算结果。

将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本中每一个地物类别的分类精度、通过混淆矩阵计算分类的总体精度(OA)、平均精度(AA)以及Kappa系数，画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成高光谱图像的地物分类。其中混淆矩阵的定义如下：

式中C表示有C个类别，m_ab表示a类样本被错分到b类的个数。因此，主对角线上的元素就表示每一类样本被正确分类的个数，显然，每一行或者每一列的元素值的总和即每一类的样本个数是一定的，因此，主对角线上的元素越大，每一类样本被正确分类的个数就越高。根据混淆矩阵，可以计算遥感图像分类结果评价中使用最广泛的三个评价指标，即总体精度(OA)、平均精度(AA)和Kappa系数。

OA的定义为：

trace(CM)表示混淆矩阵CM的迹，即混淆矩阵CM主对角线上所有元素的和也即所有样本中被正确分类的个数，N表示所有测试样本的总数。

AA的定义如下：

其中m_i+＝∑_jm_ij表示第i行所有元素的和，C表示类别总数。

Kappa系数的定义如下：

其中m_+i＝∑_im_ij表示第i列所有元素的和。Kappa系数利用了混淆矩阵中的所有因子，相比总体精度和平均精度，它可以消除分类结果存在的不确定性，从而更加全面地反映分类效果。Kappa系数的取值范围为[-1,1]，一般均为正值，值越接近于1，表明算法的分类性能就越好。

下面通过仿真实验对本发明的技术效果再做说明：

实施例7

基于NSCT变换和DCNN的高光谱图像分类方法同实施例1-6，

仿真实验条件：

本发明的硬件测试平台是：处理器为Inter Core i5-4210H，主频为2.90GHz，内存为12GB，软件平台为：Ubuntu14.04LTS 64操作系统，Matlab R2013b，Theano0.8.2，Lasagne0.1，nolearn0.6.0。本发明的输入图像为16类高光谱图像，大小为145×145×220，格式为MAT。

仿真内容：

用现有技术中的基于SVM的高光谱图像分类方法(SVM)和对高光谱图像降维后直接输入到DCNN中进行分类的方法(PCA-DCNN)以及本发明对同一幅高光谱图像进行地物分类的方法(NSCT-DCNN)，对比的这些方法的结果。

现有技术中的SVM方法和PCA-DCNN方法如下：

JA Gualtieri等在文献“Support vector machines for classification ofhyperspectral data.IEEE IGARSS2000”中提到的用SVM对高光谱图像进行分类的方法(SVM方法)。

对高光谱图像使用PCA进行降维，保留前三个能量最大的主分量，不进行NSCT变换，将三个主分量进行叠加，其他配置与NSCT-DCNN一致(PCA-DCNN)。

仿真结果分析：

表1是本发明方法与现有技术方法对图2(a)进行分类得到的三种评价指标值。图3是本发明方法与现有技术对高光谱图像分类效果图。其中，图3(a)为SVM方法分类结果图，图3(b)为PCA-DCNN方法分类结果图，图3(c)为本发明发明的分类结果图。

对比图3(a)、图3(b)和图3(c)，可见，在用SVM方法和PCA-DCNN方法得到的结果中在匀质区域存在较多的错分情况，且在边缘处也存在不少错分情况，在用本发明图3(c)中，对于匀质区域的分类，除了极少数像素点，绝大部分区域都能够正确地分类，对于边缘区域，边缘轮廓清晰，更准确地反映了原图的地物分布。对比表1可以看出本发明方法相比于现有方法在三种评价指标上均有很大的提升。

表1本发明方法与现有技术方法对图2(a)进行分类得到的三种评价指标值

	SVM	PCA-DCNN	NSCT-DCNN
				OA	81.14	78.73％	98.98％
AA	85.28	79.75％	98.19％
				Kappa	0.837	0.757	0.989

实施例8

基于NSCT变换和DCNN的高光谱图像分类方法同实施例1-6，仿真条件和仿真内容同实施例7，

图4是本发明对图2(a)的训练以及验证误差曲线图，图4中带“++”的曲线为本发明训练误差随着迭代次数的增加逐渐减小的曲线图，实线为本发明验证误差随着迭代次数的增加逐渐减小的曲线图，对照两条曲线可见，验证样本误差随着训练样本误差的减小而减小，在迭代次数较少时出现轻微波动，但趋势是随着迭代次数的增加而减小的，在两条曲线的后端均达到很低的误差并趋于平稳。说明本发明并不存在过拟合现象。

综上所述，本发明公开的基于非下采样轮廓波(NSCT)变换和深度卷积神经网络(DCNN)的高光谱图像分类方法，克服了现有技术中不能充分挖掘待分类的高光谱图像中的方向性和纹理细节信息的问题。本发明的实现为：输入高光谱图像；进行NSCT变换；对变换后的立体块归一化并进行取块操作；在样本集合中随机选取训练样本集，验证样本集和测试样本集；构造深度卷积神经网络，设置网络的超参数；训练网络；测试样本输入网络中，得到实际的分类标签，画出地物分类结果图；分类标签与测试样本参考标签对比计算分类评价指标，画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成地物分类。本发明保留了高光谱图像更多的纹理细节、方向性和空间信息，分类更加准确，可应用于气象监测、环境监测、土地利用、城市规划及防灾减灾等。

Claims (5)

1.一种基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，包括如下步骤：

(1)输入任选的一幅尺寸为h×w×n待分类高光谱图像；

(2)对该高光谱图像进行降维，对降维后的每一个主分量分别进行非下采样轮廓波变换，保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块；

(3)对立体块进行归一化操作；

(4)对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得到样本集合；

(5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的10％为测试样本集，每一个样本均有各自的参考标签；

(6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络，

并用Softmax函数作为分类器，设置网络的超参数；

(7)对深度卷积神经网络进行有监督训练，通过验证样本调整深度卷积神经网络的超参数并防止过拟合，得到训练好的深度卷积神经网络；

(8)将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本分类的总体精度、平均精度以及Kappa系数，画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成高光谱图像的地物分类。

2.根据权利要求1所述的基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(2)所述的非下采样轮廓波变换，按照如下步骤进行：

(2a)对原始高光谱图像在光谱方向上使用主成分分析进行降维操作，保留前3个主分量；

(2b)对降维后得到的3个主分量分别进行3级非下采样轮廓波变换，第k级变换是对第k-1级NSCT变换得到的低频子带系数矩阵进一步分解得到的，经过第k级变换得到1个低频子带系数矩阵和2^k个高频子带系数矩阵，每一个子带系数矩阵的尺寸均为h×w，k＝1,2,3；

(2c)仅保留每一级变换的高频子带系数矩阵，将所有的高频子带系数矩阵在第三个维度进行叠加得到第三个维度的维数c，c＝3×(2¹+2²+2³)＝42维，最终得到一个尺寸为h×w×c的立体块。

3.根据权利要求1所述基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(4)所述的取块操作，按照如下步骤进行：

(4a)对高频子带系数矩阵叠加得到的立体块外围进行2层0填充操作，得到一个尺寸为(h+4)×(w+4)×c的立体块；

(4b)以每个像素点为中心，用5×5的滑动窗对立体块进行取块操作，所取块的尺寸为5×5×c；

(4c)剔除中心像素点的类别标签值为0的块，完成取块操作。

4.根据权利要求1所述基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(6)所述的深度卷积神经网络网络超参数设置，按照如下步骤进行：

(6a)设置每一层卷积层卷积核的尺寸为3×3，第一卷积层的卷积核个数为3×c，第二卷积层的卷积核个数为6×c，第三卷积层的卷积核个数为6×c，第四卷积层的卷积核个数为9×c，第一全连接层神经元个数为6×c，第二全连接层神经元个数为3×c，其中第一卷积层和第二卷积层在进行卷积之前对输入进行1层0填充操作；所有卷积操作的步长均为1；

(6b)随机初始化网络的权重W和偏置b，设置学习率为0.005，最大迭代次数为500，提前终止的参数Patience为40，批的大小为512。

5.根据权利要求1所述基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(7)所述的有监督训练过程，按照如下步骤进行：

(7a)将每一个块的中心像素所对应的标签值转化成one-hot形式的类别标签向量，类别标签向量的维度为总的地物类别数，该向量中只有中心像素对应的类别处为1，其余元素均为0；

(7b)将训练样本分批输入到DCNN中，对应的类别标签向量作为分类器的参考输出；

(7c)计算网络的实际输出；

(7d)使用交叉熵损失函数计算实际输出与参考输出之间的误差，并通过自适应梯度来更新DCNN的W和b；

(7e)使用验证样本对网络训练情况进行监测以调整网络的超参数，使用提前终止策略来防止网络过拟合，每进行一次迭代，计算一次验证样本的分类精度，记录下最佳的分类精度，当验证样本的分类精度在40次内不再提高时停止训练。