CN107844751B - 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 - Google Patents
引导滤波长短记忆神经网络高光谱遥感图像的分类方法 Download PDFInfo
- Publication number
- CN107844751B CN107844751B CN201710981125.0A CN201710981125A CN107844751B CN 107844751 B CN107844751 B CN 107844751B CN 201710981125 A CN201710981125 A CN 201710981125A CN 107844751 B CN107844751 B CN 107844751B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- neural network
- sensing image
- hyperspectral remote
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000001914 filtration Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 19
- 101150055297 SET1 gene Proteins 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 229910052698 phosphorus Inorganic materials 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 101100194362 Schizosaccharomyces pombe (strain 972 / ATCC 24843) res1 gene Proteins 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 5
- 235000011613 Pinus brutia Nutrition 0.000 description 5
- 241000018646 Pinus brutia Species 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
一种引导滤波长短记忆神经网络高光谱遥感图像的分类方法，由获取高光谱遥感图像的引导滤波图像、对高光谱遥感图像P进行滤波处理、对滤波后的图像Q进行归一化处理、构建高光谱遥感图像P的长短记忆神经网络、训练高光谱遥感图像P的长短记忆神经网络参数、对测试集进行分类步骤组成。本发明采用引导滤波对高光谱图像进行去燥，对其进行平滑，提高了分类效果。针对高光谱图像标注样本较少的情况，防止出现模型的过拟合现象，在损失函数中加入正则项。针对分类样本的多少，不均衡现象，对损失函数进行了加权，使得样本量较少的分类具有较大的权重，样本量较大的分类具有较小的权重，提高了总体分类准确率。
Description
技术领域
本发明属于图像处理及模式识别技术领域，具体地涉及到长短记忆神经网络在高光谱遥感图像的分类方法。
背景技术
近年来，高光谱图像在多个领域得到了广泛应用，包括地表覆盖、环境监测、农业领域、军事侦察等。高光谱遥感图像分类作为这些应用的基本技术，得到了越来越多的关注。但是，高光谱图像存在两个瓶颈，一个是高维度导致的维度灾难，一个是可供模型训练的标注样本较少。
高光谱遥感图像分类问题是将每个像素分到其所属的类别中。分类算法也有很多种，包括随机森林、K近邻、支持向量机、稀疏表示等。为了解决维度灾难问题，人们往往采用主成分分析(PCA)和独立成分分析(ICA)方法进行降维。这些方法虽说在一定程度上提高了分类精度，但是，这些方法没有充分利用高光谱的谱特征。
最近，得益于其强大的特征学习能力，深度学习在很多领域表现出非常优秀的性能。深度学习也被应用到高光谱遥感图像分类中，包括自编码、卷积神经网络、深度信任网络等。这些深度学习网络一般是分为两部分，一部分是特征提取，另一部分是用多分类器进行分类。自编码器和卷积神经网络由于其较好的特征表达能力，已经可以得到较好的分类效果。但是，卷积神经网络有大量的参数需要研究。高光谱图像一般只有少量的标注样本，所以，卷积神经网络无法发挥其潜能。而且，前面提到的这些方法都有信息损失。更重要的是，这些研究都认为谱信息是相互独立的，彼此之间没有关系。然而，高光谱数据可以被看作是一个连续的谱序列。
由于高光普图像具有高噪音等特点，循环神经网络在进行高光谱图像分类的时候很难达到稳定状态。
发明内容
本发明所要解决的技术问题在于克服现有高光谱遥感图像分类技术的缺点，提供一种鲁棒性好、分类精度高的引导滤波长短记忆神经网络高光谱分类方法。
解决上述技术问题所采用的技术方案是由下述步骤组成：
(1)获取高光谱遥感图像的引导滤波图像
从高光谱遥感图像库中取1幅高光谱遥感图像P，高光谱遥感图像P的向量为[p1，p2，…，pS]，其中高光谱遥感图像P的谱分量
S为100～220、是高光谱遥感图像P的谱信息整数个数，i是第i个谱信息、为1～S的整数，N是高光谱遥感图像P的像素个数、为有限的正整数。
对高光谱遥感图像P进行主成分分析方法处理，得到图像[g1，g2，…，gS]，取其中的第一个分量g1为高光谱遥感图像P的引导滤波图像g1。
(2)对高光谱遥感图像P进行滤波处理
用高光谱遥感图像P的引导滤波图像g1，对高光谱遥感图像P进行滤波处理，得到滤波后的图像Q，滤波处理的步骤如下：
1)对高光谱遥感图像P的第一个分量p1进行滤波处理
找出第一个分量p1每个像素点
的k个邻近像素点组成集合set1＝{n1，n2，…，nk}，取引导滤波图像g1对应位置的k个邻近像素点组成集合set1′＝{n′1，n′2，…，n′k}，其中，nk为
的邻近像素点，n′k为
在引导滤波图像g1对应的邻近像素点，k为9或25或49中的任意一个数；得集合set1和set1′的线性相关系数ak：
其中，μp为sct1集合的均值，μg为set1′集合的均值，
为set1′集合的方差，像素点
滤波后得到的线性变换值
为：
其中，bk是偏移项为μp-ak×μg，得第一个分量p1的滤波后图像q1。
2)将高光谱遥感图像P的其他分量进行滤波，得滤波后的图像Q。
(3)对滤波后的图像Q进行归一化处理
取滤波后的图像Q的每个像素的谱信息
确定qj的最大值
和最小值
按(3)式
得到归一化后每个像素的谱信息
的值，完成对滤波后的图像Q的归一化处理，得到归一化后的图像M。
(4)构建高光谱遥感图像P的长短记忆神经网络
1)设定长短记忆神经网络参数：输入节点个数Nin为5、隐层节点个数Nh为40、输出节点个数Nout为100、步长timestep为40、输入门参数Win为45×40的矩阵、遗忘门参数Wf为45×40的矩阵、状态门参数Wc为45×40的矩阵、输出门参数Wo为45×100的矩阵。
2)引入激活函数
输入门、遗忘门、状态门、输出门的激活函数f(xi)为：
式中xi为输入门、遗忘门、状态门、输出门的有限输出值，tanh(xi)，为双曲正切函数。
3)构建高光谱遥感图像P的长短记忆神经网络
初始化步骤1)中的Win、Wf、Wc、Wo，采用已知的softmax回归分类算法，构建成具有输入层、隐层、输出层循环40次的长短记忆神经网络。
(5)训练高光谱遥感图像P的长短记忆神经网络参数
1)抽取归一化后的图像M中每个类别的10％作为训练集，90％作为测试集。
2)优化长短记忆神经网络参数
将训练集输入到步骤(4)的长短记忆神经网络中训练该网络，迭代次数为50～1000次；
在网络损失函数Loss(T，Y)中加入正则项约束和类别权重系数，
得到高光谱遥感图像长短记忆神经网络的损失函数(8)式，
式中λ为正则项系数，其变化范围从1×10-6～1，间隔10倍调整λ的值，选择最高识别率时的λ值作为(8)式中的λ值，其中，n是训练集样本个数为有限正整数，C是高光谱遥感图像P的类别数为16，tic为训练集第i个样本的真实类标，当i样本属于第c类时，tic为1，其余为0，yic是训练集第i个样本的预测类标，定义方式与tic相同，W为长短记忆神经网络的所有网络参数输入门参数Win、遗忘门参数Wf、状态门参数Wc、输出门参数Wo的总和；类别权重系数weightc的计算公式为：
其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数，θ是0.01～0.5之间的任意一个数，每次间隔0.01进行学习，选择识别率最高时所对应的θ值；得到训练好的长短记忆神经网络。
(6)对测试集进行分类
将测试集输入到步骤(5)训练好的长短记忆神经网络中，得到测试样本的分类结果。
在本发明的训练高光谱遥感图像P的长短记忆神经网络参数步骤(5)的优化长短记忆神经网络参数步骤2)中，将训练集输入到步骤(4)的长短记忆神经网络中训练该网络，迭代次数为50～1000次。
在网络损失函数Loss(T，Y)中加入正则项约束和类别权重系数，
得到高光谱遥感图像长短记忆神经网络的损失函数(8)式，
式中λ为正则项系数，其值为1×10-2，作为(8)式中的λ值，其中，n是训练集样本个数为有限正整数，C是高光谱遥感图像P的类别数为16，tic为训练集第i个样本的真实类标，当i样本属于第c类时，tic为1，其余为0，yic是训练集第j个样本的预测类标，定义方式与tjc相同，W为长短记忆神经网络的所有网络参数输入门参数Win、遗忘门参数Wf、状态门参数Wc、输出门参数Wo；的总和；类别权重系数weightc的计算公式为：
其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数，θ的值为0.1。
得到训练好的长短记忆神经网络。
本发明采用引导滤波对高光谱图像进行去燥，对其进行平滑，进一步提高了分类效果。同时，针对高光谱图像标注样本较少的情况，防止出现模型的过拟合现象，本发明在损失函数中加入正则项。针对分类样本有的多有的少，不均衡现象，本发明对损失函数进行加权，使得样本量较少的分类具有较大的权重，样本量较大的分类具有较小的权重，以提高总体分类准确率。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明进进一步详细说明，但本发明不限于下述实施例。
实施例1
以从高光谱遥感图像库中取一幅Indian Pines高光谱遥感图像P为例，引导滤波长短记忆神经网络高光谱遥感图像的分类方法由下述步骤组成：
(1)获取高光谱遥感图像的引导滤波图像
从高光谱遥感图像库中取1幅高光谱遥感图像P，高光谱遥感图像P的向量为[p1，p2，…，pS]，其中高光谱遥感图像P的谱分量
S为200、是高光谱遥感图像P的谱信息整数个数，i是第i个谱信息、为1～S的整数，N是高光谱遥感图像P的像素个数、为有限的正整数。
对高光谱遥感图像P进行主成分分析方法处理，得到图像[g1，g2，…，gS]，取其中的第一个分量g1为高光谱遥感图像P的引导滤波图像g1。
(2)对高光谱遥感图像P进行滤波处理
用高光谱遥感图像P的引导滤波图像g1，对高光谱遥感图像P进行滤波处理，得到滤波后的图像Q，滤波处理的步骤如下。
1)对高光谱遥感图像P的第一个分量p1进行滤波处理
找出第一个分量p1每个像素点
的k个邻近像素点组成集合set1＝{n1，n2，…，nk}，取引导滤波图像g1对应位置的k个邻近像素点组成集合set1′＝{n′1，n′2，…，n′k}，其中，nk为
的邻近像素点，n′k为
在引导滤波图像g1对应的邻近像素点，k为9；得集合set1和set1′的线性相关系数ak。
其中，μp为set1集合的均值，μg为set1′集合的均值，
为set1′集合的方差；像素点
滤波后得到的线性变换值
为：
其中，bk是偏移项为μp-ak×μg，得第一个分量p1的滤波后图像q1。
2)将高光谱遥感图像P的其他分量进行滤波，得滤波后的图像Q。
(3)对滤波后的图像Q进行归一化处理
取滤波后的图像Q的每个像素的谱信息
S为200，确定qj的最大值
和最小值
按(3)式
得到归化后每个像素的谱信息
的值，完成对滤波后的图像Q的归一化处理，得到归一化后的图像M。
(4)构建高光谱遥感图像P的长短记忆神经网络
1)设定长短记忆神经网络参数：输入节点个数Nin为5、隐层节点个数Nh为40、输出节点个数Nout为100、步长timestep为40、输入门参数Win为45×40的矩阵、遗忘门参数Wf为45×40的矩阵、状态门参数Wc为45×40的矩阵、输出门参数Wo为45×100的矩阵。
2)引入激活函数
输入门、遗忘门、状态门、输出门的激活函数f(xi)为：
式中xi为输入门、遗忘门、状态门、输出门的有限输出值，tanh(xi)，为双曲正切函数。
3)构建高光谱遥感图像P的长短记忆神经网络
初始化步骤1)中的Win、Wf、Wc、Wo，采用已知的softmax回归分类算法，构建成具有输入层、隐层、输出层循环40次的长短记忆神经网络。
(5)训练高光谱遥感图像P的长短记忆神经网络参数
1)抽取归一化后的图像M中每个类别的10％作为训练集，90％作为测试集。
2)优化长短记忆神经网络参数
将训练集输入到步骤(4)的长短记忆神经网络中训练该网络，迭代次数为500次；在网络损失函数Loss(T，Y)中加入正则项约束和类别权重系数，
得到高光谱遥感图像长短记忆神经网络的损失函数(8)式，
式中λ为正则项系数，其值为1×10-2，作为(8)式中的λ值，其中，n是训练集样本个数为145×145×10％，C是高光谱遥感图像P的类别数为16，tic为训练集第i个样本的真实类标，当i样本属于第c类时、c为1～16，tic为1，其余为0，yic是训练集第i个样本的预测类标，定义方式与tic相同，W为长短记忆神经网络的所有网络参数输入门参数Win、遗忘门参数Wf、状态门参数Wc、输出门参数Wo的总和；类别权重系数weightc的计算公式为：
其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数，θ为0.1。得到训练好的长短记忆神经网络。
(6)对测试集进行分类
将测试集输入到步骤(5)训练好的长短记忆神经网络中，得到测试样本的分类结果。本实施例的分类结果与与支持向量、栈式自编码器、循环神经网络方法的分类结果进行了对比，分类结果见表1。
表1高光谱遥感图像测试集分类结果比较
由表1可见，本实施例的分类结果与支持向量、栈式自编码器、循环神经网络方法的分类结果相比，覆盖率(OA)分别提高了7.09％、9.28％、14.62％，平均正确率(AA)分别提高了1.26％、10.74％、13.65％，kappa系数(计算分类精度的方法KA)分别提高了7.9％、10.48％、15.81％。
实施例2
以从高光谱遥感图像库中取一幅Indian Pines高光谱遥感图像P为例，引导滤波长短记忆神经网络高光谱遥感图像的分类方法由下述步骤组成：
(1)获取高光谱遥感图像的引导滤波图像
从高光谱遥感图像库中取1幅高光谱遥感图像P，高光谱遥感图像P的向量为[p1，p2，…，pS]，其中高光谱遥感图像P的谱分量
S为100、是高光谱遥感图像P的谱信息整数个数，i是第i个谱信息、为1～S的整数，N是高光谱遥感图像P的像素个数、为有限的正整数。
该步骤的其它步骤与实施例1相同。
(2)对高光谱遥感图像P进行滤波处理
用高光谱遥感图像P的引导滤波图像g1，对高光谱遥感图像P进行滤波处理，得到滤波后的图像Q，滤波处理的步骤如下。
1)对高光谱遥感图像P的第一个分量p1进行滤波处理
找出第一个分量p1每个像素点
的k个邻近像素点组成集合set1＝{n1，n2，…，nk}，取引导滤波图像g1对应位置的k个邻近像素点组成集合set1′＝{n′1，n′2，…，n′k}，其中，nk为
的邻近像素点，n′k为
在引导滤波图像g1对应的邻近像素点，k为9；得集合set1和set1′的线性相关系数ako
该步骤的其它步骤与实施例1相同。
(3)对滤波后的图像Q进行归一化处理
该步骤与实施例1相同。
(4)构建高光谱遥感图像P的长短记忆神经网络
该步骤与实施例1相同。
(5)训练高光谱遥感图像P的长短记忆神经网络参数
1)抽取归一化后的图像M中每个类别的10％作为训练集，90％作为测试集。
2)优化长短记忆神经网络参数
将训练集输入到步骤(4)的长短记忆神经网络中训练该网络，迭代次数为50次；在网络损失函数Loss(T，Y)中加入正则项约束和类别权重系数，
得到高光谱遥感图像长短记忆神经网络的损失函数(8)式，
式中λ为正则项系数，其值为1×10-6，作为(8)式中的λ值，其中，n是训练集样本个数为145×145×10％，C是高光谱遥感图像P的类别数为16，tic为训练集第i个样本的真实类标，当i样本属于第c类时、c为1～16，tic为1，其余为0，yic是训练集第i个样本的预测类标，定义方式与tic相同，W为长短记忆神经网络的所有网络参数输入门参数Win、遗忘门参数Wf、状态门参数Wc、输出门参数Wo的总和；类别权重系数weightc的计算公式为：
其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数，θ是0.01。
得到训练好的长短记忆神经网络。
其它步骤与实施例1相同。得到测试样本的分类结果。
实施例3
以从高光谱遥感图像库中取一幅Indian Pines高光谱遥感图像P为例，引导滤波长短记忆神经网络高光谱遥感图像的分类方法由下述步骤组成：
(1)获取高光谱遥感图像的引导滤波图像
从高光谱遥感图像库中取1幅高光谱遥感图像P，高光谱遥感图像P的向量为[p1，p2，…，pS]，其中高光谱遥感图像P的谱分量
S为220、是高光谱遥感图像P的谱信息整数个数，i是第i个谱信息、为1～S的整数，N是高光谱遥感图像P的像素个数、为有限的正整数。
该步骤的其它步骤与实施例1相同。
(2)对高光谱遥感图像P进行滤波处理
用高光谱遥感图像P的引导滤波图像g1，对高光谱遥感图像P进行滤波处理，得到滤波后的图像Q，滤波处理的步骤如下。
1)对高光谱遥感图像P的第一个分量p1进行滤波处理
找出第一个分量p1每个像素点
的k个邻近像素点组成集合set1＝{n1，n2，…，nk}，取引导滤波图像g1对应位置的k个邻近像素点组成集合set1′＝{n′1，n′2，…，n′k}，其中，nk为
的邻近像素点，n′k为
在引导滤波图像g1对应的邻近像素点，k为9；得集合set1和set1′的线性相关系数ak。
该步骤的其它步骤与实施例1相同。
(3)对滤波后的图像Q进行归一化处理
该步骤与实施例1相同。
(4)构建高光谱遥感图像P的长短记忆神经网络
该步骤与实施例1相同。
(5)训练高光谱遥感图像P的长短记忆神经网络参数
1)抽取归一化后的图像M中每个类别的10％作为训练集，90％作为测试集。
2)优化长短记忆神经网络参数
将训练集输入到步骤(4)的长短记忆神经网络中训练该网络，迭代次数为1000次；在网络损失函数Loss(T，Y)中加入正则项约束和类别权重系数，
得到高光谱遥感图像长短记忆神经网络的损失函数(8)式，
式中λ为正则项系数，其值为1，作为(8)式中的λ值，其中，n是训练集样本个数为145×145×10％，C是高光谱遥感图像P的类别数为16，tic为训练集第i个样本的真实类标，当i样本属于第c类时、c为1～16，tic为1，其余为0，yic是训练集第i个样本的预测类标，定义方式与tic相同，W为长短记忆神经网络的所有网络参数输入门参数Win、遗忘门参数Wf、状态门参数Wc、输出门参数Wo的总和；类别权重系数weightc的计算公式为：
其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数，θ为0.5。
得到训练好的长短记忆神经网络。
其它步骤与实施例1相同。得到测试样本的分类结果。
实施例4
以从高光谱遥感图像库中取一幅Indian Pines高光谱遥感图像P为例，引导滤波长短记忆神经网络高光谱遥感图像的分类方法由下述步骤组的成：
在以上的实施例1～3的对高光谱遥感图像P进行滤波处理步骤(2)的对高光谱遥感图像P的第一个分量p1进行滤波处理步骤1)中，k为25；得集合set1和set1的线性相关系数ak。该步骤的其它步骤与实施例1相同。
其它步骤与相应的实施例相同。得到测试样本的分类结果。
实施例5
以从高光谱遥感图像库中取一幅Indian Pines高光谱遥感图像P为例，引导滤波长短记忆神经网络高光谱遥感图像的分类方法由下述步骤组的成：
在以上的实施例1～3的对高光谱遥感图像P进行滤波处理步骤(2)的对高光谱遥感图像P的第一个分量p1进行滤波处理步骤1)中，k为49；得集合set1和set1′的线性相关系数ak。该步骤的其它步骤与实施例1相同。
其它步骤与相应的实施例相同。得到测试样本的分类结果。
Claims (2)
1.一种引导滤波长短记忆神经网络高光谱遥感图像的分类方法，其特征在于由下述步骤组成：
(1)获取高光谱遥感图像的引导滤波图像
从高光谱遥感图像库中取1幅高光谱遥感图像P，高光谱遥感图像P的向量为[p1，p2，…，pS]，其中高光谱遥感图像P的谱分量
S为100～220、是高光谱遥感图像P的谱信息整数个数，i是第i个谱信息、为1～S的整数，N是高光谱遥感图像P的像素个数、为有限的正整数；
对高光谱遥感图像P进行主成分分析方法处理，得到图像[g1，g2，…，gS]，取其中的第一个分量g1为高光谱遥感图像P的引导滤波图像g1；
(2)对高光谱遥感图像P进行滤波处理
用高光谱遥感图像P的引导滤波图像g1，对高光谱遥感图像P进行滤波处理，得到滤波后的图像Q，滤波处理的步骤如下：
1)对高光谱遥感图像P的第一个分量p1进行滤波处理
找出第一个分量p1每个像素点
的k个邻近像素点组成集合set1＝{n1，n2，…，nk}，取引导滤波图像g1对应位置的k个邻近像素点组成集合set1′＝{n′1，n′2，…，n′k}，其中，nk为
的邻近像素点，n′k为
在引导滤波图像g1对应的邻近像素点，k为9或25或49中的任意一个数；得集合sct1和set1′的线性相关系数ak：
其中，μp为set1集合的均值，μg为set1′集合的均值，
为set1′集合的方差，像素点
滤波后得到的线性变换值
为：
其中，bk是偏移项为μp-ak×μg，得第一个分量p1的滤波后图像q1；
2)将高光谱遥感图像P的其他分量进行滤波，得滤波后的图像Q；
(3)对滤波后的图像Q进行归一化处理
取滤波后的图像Q的每个像素的谱信息
确定qj的最大值
和最小值
按(3)式
得到归一化后每个像素的谱信息
的值，完成对滤波后的图像Q的归一化处理，得到归一化后的图像M；
(4)构建高光谱遥感图像P的长短记忆神经网络
1)设定长短记忆神经网络参数：输入节点个数Nin为5、隐层节点个数Nh为40、输出节点个数Nout为100、步长timestep为40、输入门参数Win为45×40的矩阵、遗忘门参数Wf为45×40的矩阵、状态门参数Wc为45×40的矩阵、输出门参数Wo为45×100的矩阵；
2)引入激活函数
输入门、遗忘门、状态门、输出门的激活函数f(xi)为：
式中xi为输入门、遗忘门、状态门、输出门的有限输出值，tanh(xi)，为双曲正切函数；
3)构建高光谱遥感图像P的长短记忆神经网络
初始化步骤1)中的Win、Wf、Wc、Wo，采用已知的softmax回归分类算法，构建成具有输入层、隐层、输出层循环40次的长短记忆神经网络；
(5)训练高光谱遥感图像P的长短记忆神经网络参数
1)抽取归一化后的图像M中每个类别的10％作为训练集，90％作为测试集；
2)优化长短记忆神经网络参数
将训练集输入到步骤(4)的长短记忆神经网络中训练该网络，迭代次数为50～1000次；
在网络损失函数Loss(T，Y)中加入正则项约束和类别权重系数，
得到高光谱遥感图像长短记忆神经网络的损失函数(8)式，
式中λ为正则项系数，其变化范围从1×10-6～1，间隔10倍调整λ的值，选择最高识别率时的λ值作为(8)式中的λ值，其中，n是训练集样本个数为有限正整数，C是高光谱遥感图像P的类别数为16，tic为训练集第i个样本的真实类标，当i样本属于第c类时，tic为1，其余为0，yic是训练集第i个样本的预测类标，定义方式与tic相同，W为长短记忆神经网络的所有网络参数输入门参数Win、遗忘门参数Wf、状态门参数Wc、输出门参数Wo的总和；类别权重系数weightc的计算公式为：
其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数，θ是0.01～0.5之间的任意一个数，每次间隔0.01进行学习，选择识别率最高时所对应的θ值；
得到训练好的长短记忆神经网络；
(6)对测试集进行分类
将测试集输入到步骤(5)训练好的长短记忆神经网络中，得到测试样本的分类结果。
2.根据权利要求1所述的引导滤波长短记忆神经网络高光谱遥感图像的分类方法，其特征在于：在训练高光谱遥感图像P的长短记忆神经网络参数步骤(5)的优化长短记忆神经网络参数步骤2)中，将训练集输入到步骤(4)的长短记忆神经网络中训练该网络，迭代次数为50～1000次；
在网络损失函数Loss(T，Y)中加入正则项约束和类别权重系数，
得到高光谱遥感图像长短记忆神经网络的损失函数(8)式，
式中λ为正则项系数，其值为1×10-2，作为(8)式中的λ值，其中，n是训练集样本个数为有限正整数，C是高光谱遥感图像P的类别数为16，tic为训练集第i个样本的真实类标，当i样本属于第c类时，tic为1，其余为0，yic是训练集第j个样本的预测类标，定义方式与tjc相同，W为长短记忆神经网络的所有网络参数输入门参数Win、遗忘门参数Wf、状态门参数Wc、输出门参数Wo；的总和；类别权重系数weightc的计算公式为：
其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数，θ的值为0.1；
得到训练好的长短记忆神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710981125.0A CN107844751B (zh) | 2017-10-19 | 2017-10-19 | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710981125.0A CN107844751B (zh) | 2017-10-19 | 2017-10-19 | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107844751A CN107844751A (zh) | 2018-03-27 |
| CN107844751B true CN107844751B (zh) | 2021-08-27 |
Family
ID=61662441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710981125.0A Active CN107844751B (zh) | 2017-10-19 | 2017-10-19 | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107844751B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647721B (zh) * | 2018-05-10 | 2021-10-26 | 邢汉发 | 基于网络图片自动识别的地表覆盖验证方法及系统 |
| CN109472199B (zh) * | 2018-09-29 | 2022-02-22 | 深圳大学 | 一种图像融合分类的方法及装置 |
| CN109409432B (zh) * | 2018-10-31 | 2019-11-26 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置和存储介质 |
| CN109632693A (zh) * | 2018-12-10 | 2019-04-16 | 昆明理工大学 | 一种基于blstm-rnn的太赫兹光谱识别方法 |
| CN109726757A (zh) * | 2018-12-26 | 2019-05-07 | 山东女子学院 | 一种融合多尺度空间特征的dcnn高光谱图像分类方法 |
| CN109711466B (zh) * | 2018-12-26 | 2023-04-14 | 陕西师范大学 | 一种基于边缘保留滤波的cnn高光谱图像分类方法 |
| JP7049587B2 (ja) * | 2019-01-09 | 2022-04-07 | オムロン株式会社 | 画像処理装置、画像処理プログラム、及び画像処理方法 |
| CN111368940A (zh) * | 2020-03-25 | 2020-07-03 | 西北工业大学 | 一种基于引导滤波与核极限学习机的高光谱图像分类方法 |
| CN112862715B (zh) * | 2021-02-08 | 2023-06-30 | 天津大学 | 一种实时且可控的尺度空间滤波方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509346A (zh) * | 2011-09-30 | 2012-06-20 | 北京航空航天大学 | 基于边缘保持的对象光照迁移方法 |
| CN103903007A (zh) * | 2014-03-10 | 2014-07-02 | 哈尔滨工程大学 | 一种基于空-谱信息的高光谱半监督分类方法 |
| CN105279495A (zh) * | 2015-10-23 | 2016-01-27 | 天津大学 | 一种基于深度学习和文本总结的视频描述方法 |
| WO2016139260A1 (en) * | 2015-03-05 | 2016-09-09 | Iee International Electronics & Engineering S.A. | Method and system for real-time noise removal and image enhancement of high-dynamic range images |
| CN106815601A (zh) * | 2017-01-10 | 2017-06-09 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
-
2017
- 2017-10-19 CN CN201710981125.0A patent/CN107844751B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509346A (zh) * | 2011-09-30 | 2012-06-20 | 北京航空航天大学 | 基于边缘保持的对象光照迁移方法 |
| CN103903007A (zh) * | 2014-03-10 | 2014-07-02 | 哈尔滨工程大学 | 一种基于空-谱信息的高光谱半监督分类方法 |
| WO2016139260A1 (en) * | 2015-03-05 | 2016-09-09 | Iee International Electronics & Engineering S.A. | Method and system for real-time noise removal and image enhancement of high-dynamic range images |
| CN105279495A (zh) * | 2015-10-23 | 2016-01-27 | 天津大学 | 一种基于深度学习和文本总结的视频描述方法 |
| CN106815601A (zh) * | 2017-01-10 | 2017-06-09 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| Spectral-spatial-feature-based deep learning for hyperspectral remote sensing image classification;lizhe wang et al.;《methodologies and application》;20160705;第213-221页 * |
| 一种基于引导滤波和MNF的高光谱遥感图像分类方法;房宗启;《软件导刊》;20161103;第15卷(第9期);第161-163页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107844751A (zh) | 2018-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107844751B (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
| Recanatesi et al. | Dimensionality compression and expansion in deep neural networks | |
| CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
| CN102609681B (zh) | 基于字典学习模型的人脸识别方法 | |
| CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
| CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
| CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
| CN107977651B (zh) | 基于量化最小误差熵的共用空间模式空域特征提取方法 | |
| Yang et al. | Data-driven compressive sampling and learning sparse coding for hyperspectral image classification | |
| CN104573729A (zh) | 一种基于核主成分分析网络的图像分类方法 | |
| CN110427835B (zh) | 图卷积网络与迁移学习的电磁信号识别方法和装置 | |
| Yu et al. | Fingerprint extraction and classification of wireless channels based on deep convolutional neural networks | |
| Masood et al. | Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection | |
| Kao et al. | Disc-GLasso: Discriminative graph learning with sparsity regularization | |
| CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
| Yang et al. | Unsupervised images segmentation via incremental dictionary learning based sparse representation | |
| Yang et al. | An incipient fault diagnosis method based on Att-GCN for analogue circuits | |
| Feng et al. | Hyperspectral band selection based on ternary weight convolutional neural network | |
| CN113052130B (zh) | 基于深度残差网络和边缘保护滤波的高光谱影像分类方法 | |
| CN113095354B (zh) | 基于辐射源特征子空间知识的未知雷达目标识别方法 | |
| ul Haq et al. | Neural network based adaboosting approach for hyperspectral data classification | |
| CN110210412B (zh) | 一种基于深度学习和多示例学习的高光谱影像分类方法 | |
| CN111401440A (zh) | 目标分类识别方法、装置、计算机设备及存储介质 | |
| Masilamani et al. | Art classification with pytorch using transfer learning | |
| Muthukannan et al. | Color image segmentation using k-means clustering and optimal fuzzy C-means clustering |
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 |