CN108614992B - 一种高光谱遥感图像的分类方法、设备及存储设备 - Google Patents

一种高光谱遥感图像的分类方法、设备及存储设备 Download PDF

Info

Publication number
CN108614992B
CN108614992B CN201810224584.9A CN201810224584A CN108614992B CN 108614992 B CN108614992 B CN 108614992B CN 201810224584 A CN201810224584 A CN 201810224584A CN 108614992 B CN108614992 B CN 108614992B
Authority
CN
China
Prior art keywords
remote sensing
hyperspectral remote
forest
data
sensing images
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.)
Expired - Fee Related
Application number
CN201810224584.9A
Other languages
English (en)
Other versions
CN108614992A (zh
Inventor
刘小波
尹旭
王瑞林
蔡耀明
刘振焘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201810224584.9A priority Critical patent/CN108614992B/zh
Publication of CN108614992A publication Critical patent/CN108614992A/zh
Application granted granted Critical
Publication of CN108614992B publication Critical patent/CN108614992B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/213—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
    • G06F18/21—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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种高光谱遥感图像的分类方法、设备及存储设备，一种高光谱遥感图像的分类方法，通过对高维的高光谱遥感图像进行降维处理，结合样本数据对深度森林分类模型的训练，再通过训练好的深度森林分类模型达到对高光谱遥感图像精确、快速地分类的目的；一种高光谱遥感图像的分类设备及存储设备，用于实现一种高光谱遥感图像的分类方法。本发明的有益效果是：通过使用深度森林算法对高光谱遥感图像进行分类，提高了深度森林分类模型的分类精度和分类速度，且本发明提供的方法中涉及参数少，易调节，大大提高了高光谱遥感图像的分类效果和实用性。

Description

一种高光谱遥感图像的分类方法、设备及存储设备
技术领域
本发明涉及高光谱遥感图像分类领域，尤其涉及一种高光谱遥感图像的分类方法、设备及存储设备。
背景技术
高光谱遥感图像具有波段众多、光谱分辨率高、维度高、数据量庞大等特点，由于其能够准确地反应地物的空间信息和光谱信息，已广泛应用于地质勘探、资源调查、城市规划、环境灾害监测等领域，受到了各个国家的广泛应用和研究。
在高光谱遥感图像分类过程中,传统的分类方法有支持向量机分类法、人工神经网络分类法以及决策树分类法等。由于遥感器空间分辨力限制以及自然界地物信息的复杂多样性，高光谱遥感图像训练样本的获取需要经过实地考察和专家人工标记，这使得获取高光谱遥感图像训练样本的代价高而效率低。但仅在有限的训练样本上进行学习，对于分类模型而言往往出现训练速度慢、不稳定、精度不高等问题。
随着近几年以深度神经网络为主导的深度学习领域的火热发展，许多深度模型被应用于高光谱遥感图像分类中。常用的方法有卷积神经网络分类法、K最近邻分类法、循环和递归神经网络分类法等。但这些方法不仅依赖于大量的训练样本，而且还存在结构复杂、调参麻烦、鲁棒性不强等问题。
发明内容
为了解决上述问题，本发明提供了一种高光谱遥感图像的分类方法、设备及存储设备，一种高光谱遥感图像的分类方法，主要包括以下步骤：
S101：对高光谱遥感图像中的数据进行处理，去除掉所述高光谱遥感图像中的无效数据；
S102：对经过数据处理后的高光谱遥感图像进行降维处理，形成原始待分类的高光谱遥感图像；
S103：对所述原始待分类的高光谱遥感图像进行数据的归一化处理，得到待分类的高光谱遥感图像；
S104：根据所述待分类的高光谱遥感图像得到样本数据；
S105：将所述样本数据输入到深度森林分类模型中，对所述深度森林分类模型进行训练；
S106：当所述深度森林分类模型训练完成后，利用训练后的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类，并得到所述高光谱遥感图像的分类结果。
进一步地，在步骤S101中，所述高光谱遥感图像为3维张量形式。
进一步地，在步骤S102中，高光谱遥感图像包括光谱信息和空间信息，针对高光谱遥感图像的光谱信息，通过主成分分析法进行降维，将3维张量形式转化为2维矩阵形式，取2维矩阵形式中的数据中的一个像素点，作为一个实例，将这个实例拉伸，转化为一个1维向量作为原始待分类的高光谱遥感图像光谱数据；针对高光谱遥感图像的空间信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，并将图像块的前95％的主成分作为特征向量，然后通过多粒度扫描结构，对所述特征向量进行滑动取样，取样结果作为原始待分类的高光谱遥感图像空间数据；针对高光谱遥感图像的空谱结合信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中， K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，然后使用多粒度扫描结构对邻域块进行滑动取样，再串接上光谱信息特征，得到的结果作为原始待分类的高光谱遥感图像空谱结合数据。
进一步地，在步骤S104中，所述样本数据，可以是随机选取所述待分类的高光谱遥感图像中的部分数据或者全部数据。
进一步地，在步骤S105中，所述深度森林分类模型采用级联结构进行连接，每一层森林则为决策树的集成；所述深度森林分类模型自动确定深度森林级联的层数，其自动确定深度森林级联的层数的方法为：每个森林通过k折交叉验证生成类向量，即每个样本数据作为k-1次的训练样本，产生k-1个类向量，并根据所述待分类的高光谱遥感图像得到验证数据，当拓展产生新的一层森林时，整个深度森林框架的性能会根据验证数据进行评估，如果整个深度森林框架的性能没有明显改善，则深度森林的层数不再增加；在所述深度森林分类模型的训练过程中，每层使用q个随机森林和P个完全随机森林，第一层将产生(q+P)×C个特征，产生的特征向量将与原始特征向量连接并输入到下一级，其中，C为分类预期类别个数；之后的每一层与此类似，直至倒数第二层；其中，所述深度森林是指：一种基于决策树的深度学习模型，通过对决策树组成的森林进行集成并前后串联起来达到表征学习的效果，每层森林之间采用级联的构架，所述决策树是指：一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别，决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系；所述随机森林是指：利用多棵决策树对样本数据进行训练并预测的一种分类器，每棵树的产生方法：在整个特征空间中随机选择
Figure BDA0001600945910000031
个特征作为候选特征，其中，d为输入特征的个数，然后选择具有最佳Gini值的特征作为节点的分裂特征；所述完全随机森林是指：利用多棵决策树对样本进行训练并预测的一种分类器，所述完全随机树森林中每棵树的产生方法：在整个特征空间中随机选择1个特征作为节点的分裂特征；所述Gini值是指：基尼系数，在决策树之CART算法中用Gini指数来衡量数据的不纯度或者不确定性，同时用Gini指数来决定类别变量的最优二分值的切分问题。
进一步地，取所述深度森林分类模型中最后一层森林的结果的平均值中的最大值作为所述深度森林分类模型输出的分类结果所对应的类别： Fin(c)＝Maxy{Ave.m[c11,c12,...,c1y,c21,c22,...,c2y,...cm1,cm2,...,cmy]}，其中，m为随机森林的个数，y为该数据集的类别的个数，c为数据集的分类的类别，Fin(c)为所述深度森林分类模型输出的分类结果，Maxy为所述深度森林分类模型中最后一层森林的结果的平均值中的最大值，Ave.m为所述深度森林分类模型中最后一层森林的结果的平均值。
一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现一种高光谱遥感图像的分类方法。
一种高光谱遥感图像的分类设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种高光谱遥感图像的分类方法。
本发明提供的技术方案带来的有益效果是：通过使用深度森林算法对高光谱遥感图像进行分类，提高了深度森林分类模型的分类精度和分类速度，且本发明提供的方法中涉及参数少，易调节，大大提高了高光谱遥感图像的分类效果和实用性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种高光谱遥感图像的分类方法的流程图；
图2是本发明实施例中所述深度森林分类模型图解的示意图；
图3是本发明实施例中基于深度森林分类模型的高光谱遥感图像的光谱信息的分类示意图；
图4是本发明实施例中高光谱遥感图像的空间信息中选取图像块的示意图；
图5是本发明实施例中高光谱遥感图像的空间信息中选取图像块和串接光谱信息的示意图；
图6是本发明实施例中图4和图5中所述多粒度扫描结构的示意图；
图7是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种高光谱遥感图像的分类方法、设备及存储设备。
请参考图1，图1是本发明实施例中一种高光谱遥感图像的分类方法的流程图，具体包括如下步骤：
S101：对高光谱遥感图像中的数据进行处理，去除掉所述高光谱遥感图像中的无效数据；
S102：对经过数据处理后的高光谱遥感图像进行降维处理，形成原始待分类的高光谱遥感图像；高光谱遥感图像包括光谱信息和空间信息，针对高光谱遥感图像的光谱信息，通过主成分分析法进行降维，将3维张量形式转化为2维矩阵形式，取2维矩阵形式中的数据中的一个像素点，作为一个实例，将这个实例拉伸，转化为一个1维向量作为原始待分类的高光谱遥感图像光谱数据；针对高光谱遥感图像的空间信息，通过主成分分析法进行降维，再以目标像元为中心选取 K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，并将图像块的前95％的主成分作为特征向量，然后通过多粒度扫描结构，对所述特征向量进行滑动取样，取样结果作为原始待分类的高光谱遥感图像空间数据；针对高光谱遥感图像的空谱结合信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，然后使用多粒度扫描结构对邻域块进行滑动取样，再串接上光谱信息特征，得到的结果作为原始待分类的高光谱遥感图像空谱结合数据；
S103：对所述原始待分类的高光谱遥感图像进行数据的归一化处理，得到待分类的高光谱遥感图像；
S104：根据所述待分类的高光谱遥感图像得到样本数据；所述样本数据，可以是随机选取的所述待分类的高光谱遥感图像中的部分数据或者全部数据；
S105：将所述样本数据输入到深度森林分类模型中，对所述深度森林分类模型进行训练；所述深度森林分类模型采用级联结构进行连接，每一层森林则为决策树的集成；所述深度森林分类模型自动确定深度森林级联的层数，其自动确定深度森林级联的层数的方法为：每个森林通过k折交叉验证生成类向量，即每个样本数据作为k-1次的训练样本，产生k-1个类向量，并根据所述待分类的高光谱遥感图像得到验证数据，当拓展产生新的一层森林时，整个深度森林框架的性能会根据验证数据进行评估，如果整个深度森林框架的性能没有明显改善，则深度森林的层数不再增加；在所述深度森林分类模型的训练过程中，每层使用q 个随机森林和P个完全随机森林，第一层将产生(q+P)×C个特征，产生的特征向量将与原始特征向量连接并输入到下一级，其中，C为分类预期类别个数；之后的每一层与此类似，直至倒数第二层；其中，所述深度森林是指：一种基于决策树的深度学习模型，通过对决策树组成的森林进行集成并前后串联起来达到表征学习的效果，每层森林之间采用级联的构架，所述决策树是指：一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别，决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系；所述随机森林是指：利用多棵决策树对样本数据进行训练并预测的一种分类器，每棵树的产生方法：在整个特征空间中随机选择
Figure BDA0001600945910000051
个特征作为候选特征，其中，d为输入特征的个数，然后选择具有最佳Gini值的特征作为节点的分裂特征；所述完全随机森林是指：利用多棵决策树对样本进行训练并预测的一种分类器，所述完全随机树森林中每棵树的产生方法：在整个特征空间中随机选择1个特征作为节点的分裂特征；所述Gini值是指：基尼系数，在决策树之CART算法中用Gini指数来衡量数据的不纯度或者不确定性，同时用 Gini指数来决定类别变量的最优二分值的切分问题。
S106：当所述深度森林分类模型训练完成后，利用训练后的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类，并得到所述高光谱遥感图像的分类结果；其中，取所述深度森林分类模型中最后一层森林的结果的平均值中的最大值作为所述深度森林分类模型输出的分类结果所对应的类别： Fin(c)＝Maxy{Ave.m[c11,c12,...,c1y,c21,c22,...,c2y,...cm1,cm2,...,cmy]}，其中，m为随机森林的个数，y为该数据集的类别的个数，c为数据集的分类的类别，Fin(c)为所述深度森林分类模型输出的分类结果，Maxy为所述深度森林分类模型中最后一层森林的结果的平均值中的最大值，Ave.m为所述深度森林分类模型中最后一层森林的结果的平均值。
请参考图2，图2是本发明实施例中所述深度森林分类模型图解的示意图，输入特征向量到所述深度森林分类模型中，所述深度森林分类模型采用级联结构进行连接，每一层森林则为决策树的集成；模型自动确定深度森林级联的层数，自动确定的方法为：每个森林通过k折交叉验证生成，即每个样本作为n-1次的训练样本；当产生新的一层时，整个深度森林的性能将会在整个验证集上进行评估，如果没有明显的效果增益，训练将被终止，层数即被确定，这种自我调节能力解决了训练过程中超参数调节困难的问题，降低了过拟合的风险，使深度森林分类模型可以更好的适用于小规模训练样本的数据集的分类中；所述深度森林分类模型中，每层使用q个随机森林和P个完全随机树森林，第一层将产生(q+P) ×C个特征，产生的特征向量将与原始特征向量连接并输入到下一级，其中，C 为分类预期类别个数；之后的每一层与此类似，直至倒数第二层。
请参考图3，图3是本发明实施例中基于深度森林分类模型的高光谱遥感图像的光谱信息的分类示意图，利用主成分分析法，图中高光谱遥感图像的3维张量模型为TN×b降维为2维矩阵RN×b′＝PCA[TN×b]，其中，N＝m×h，b′＜＜b，N为高光谱遥感图像的像素大小，m为高光谱遥感图像的像素的长，h为高光谱遥感图像的像素的宽，b为高光谱的波段，b′为降维后的主成分；取2维矩阵数据中的一个像素点，作为一个实例，将此实例拉伸，转化为一个1维向量，输入到深度森林分类模型中，输出分类结果。
请参见图4，图4是本发明实施例中高光谱遥感图像的空间信息中选取图像块的示意图，首先利用主成分分析法对高光谱遥感图像进行降维，然后以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，并将图像块的前95％的主成分作为特征向量，然后通过多粒度扫描结构，对所述特征向量进行滑动取样，取样结果作为原始待分类的高光谱遥感图像空间数据。
请参见图5，图5是本发明实施例中高光谱遥感图像的空间信息中选取图像块和串接光谱信息的示意图，首先利用主成分分析法对高光谱遥感图像进行降维，然后以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，然后使用多粒度扫描结构对邻域块进行滑动取样，再串接上光谱信息特征，得到的结果作为原始待分类的高光谱遥感图像空谱结合数据。
请参见图6，图6是本发明实施例中图4和图5中所述多粒度扫描结构的示意图，滑动窗口用于扫描原始特征；假设有1000个原始特征，并且使用100个特征的窗口大小；对于序列数据，将通过滑动一个特征的窗口来生成100维的特征向量；总共产生901个特征向量；如果原始特征具有空间关系，比如图像像素为400的20×20的面板，则10×10窗口将产生121个特征向量(即121个10×10 的面板)；从正/负训练样例中提取的所有特征向量被视为正/负实例；它们将被用于生成类向量：从相同大小的窗口提取的实例将用于训练完全随机树森林和随机森林，然后生成类向量并连接为转换后的要素。如图6所示，假设有3个类，并且使用100维的窗口；然后，每个森林产生301个三维类向量，导致对应于原始 400维原始特征向量的1806维变换特征向量。
请参见图7，图7是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种高光谱遥感图像的分类设备701、处理器702及存储设备703。
一种高光谱遥感图像的分类设备701：所述一种高光谱遥感图像的分类设备701实现所述一种高光谱遥感图像的分类方法。
处理器702：所述处理器702加载并执行所述存储设备703中的指令及数据用于实现所述一种高光谱遥感图像的分类方法。
存储设备703：所述存储设备703存储指令及数据；所述存储设备703用于实现所述一种高光谱遥感图像的分类方法。
本发明的有益效果是：通过有效降低高光谱遥感图像的维度，提高了深度森林分类模型的分类精度和分类速度，且本发明提供的方法中涉及参数少，易调节，大大提高了高光谱遥感图像的分类效果和实用性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种高光谱遥感图像的分类方法，其特征在于：包括以下步骤:
S101：对高光谱遥感图像中的数据进行处理，去除掉所述高光谱遥感图像中的无效数据；
S102：对经过数据处理后的高光谱遥感图像进行降维处理，形成原始待分类的高光谱遥感图像；
高光谱遥感图像包括光谱信息和空间信息，针对高光谱遥感图像的光谱信息，通过主成分分析法进行降维，将3维张量形式转化为2维矩阵形式，取2维矩阵形式中的数据中的一个像素点，作为一个实例，将这个实例拉伸，转化为一个1维向量作为原始待分类的高光谱遥感图像光谱数据；针对高光谱遥感图像的空间信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，并将图像块的前95％的主成分作为特征向量，然后通过多粒度扫描结构，对所述特征向量进行滑动取样，取样结果作为原始待分类的高光谱遥感图像空间数据；针对高光谱遥感图像的空谱结合信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，然后使用多粒度扫描结构对邻域块进行滑动取样，再串接上光谱信息特征，得到的结果作为原始待分类的高光谱遥感图像空谱结合数据；
S103：对所述原始待分类的高光谱遥感图像进行数据的归一化处理，得到待分类的高光谱遥感图像；
S104：根据所述待分类的高光谱遥感图像得到样本数据；
S105：将所述样本数据输入到深度森林分类模型中，对所述深度森林分类模型进行训练；
S106：当所述深度森林分类模型训练完成后，利用训练后的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类，并得到所述高光谱遥感图像的分类结果。
2.如权利要求1所述的一种高光谱遥感图像的分类方法，其特征在于：在步骤S101中，所述高光谱遥感图像为3维张量形式。
3.如权利要求1所述的一种高光谱遥感图像的分类方法，其特征在于：在步骤S104中，所述样本数据，可以是随机选取的所述待分类的高光谱遥感图像中的部分数据或者全部数据。
4.如权利要求1所述的一种高光谱遥感图像的分类方法，其特征在于：在步骤S105中，所述深度森林分类模型采用级联结构进行连接，每一层森林则为决策树的集成；所述深度森林分类模型自动确定深度森林级联的层数，其自动确定深度森林级联的层数的方法为：每个森林通过k折交叉验证生成类向量，即每个样本数据作为k-1次的训练样本，产生k-1个类向量，并根据所述待分类的高光谱遥感图像得到验证数据，当拓展产生新的一层森林时，整个深度森林框架的性能会根据验证数据进行评估，如果整个深度森林框架的性能没有明显改善，则深度森林的层数不再增加；在所述深度森林分类模型的训练过程中，每层使用q个随机森林和P个完全随机森林，第一层将产生(q+P)×C个特征，产生的特征向量将与原始特征向量连接并输入到下一级，其中，C为分类预期类别个数；之后的每一层与此类似，直至倒数第二层；其中，所述深度森林是指：一种基于决策树的深度学习模型，通过对决策树组成的森林进行集成并前后串联起来达到表征学习的效果，每层森林之间采用级联的构架，所述决策树是指：一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别，决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系；所述随机森林是指：利用多棵决策树对样本数据进行训练并预测的一种分类器，每棵树的产生方法：在整个特征空间中随机选择
Figure FDA0003039359210000021
个特征作为候选特征，其中，d为输入特征的个数，然后选择具有最佳Gini值的特征作为节点的分裂特征；所述完全随机森林是指：利用多棵决策树对样本进行训练并预测的一种分类器，所述完全随机树森林中每棵树的产生方法：在整个特征空间中随机选择1个特征作为节点的分裂特征；所述Gini值是指：基尼系数，在决策树之CART算法中用Gini指数来衡量数据的不纯度或者不确定性，同时用Gini指数来决定类别变量的最优二分值的切分问题。
5.如权利要求1所述的一种高光谱遥感图像的分类方法，其特征在于：在步骤S106中，所述深度森林分类模型输出的分类结果取所述深度森林分类模型中最后一层森林的结果的平均值中的最大值所对应的类别：Fin(c)＝Maxy{Ave.m[c11,c12,...,c1y,c21,c22,...,c2y,...cm1,cm2,...,cmy]}，其中，m为随机森林的个数，y为数据集的类别的个数，c为数据集的分类的类别，Fin(c)为所述深度森林分类模型输出的分类结果，Maxy为所述深度森林分类模型中最后一层森林的结果的平均值中的最大值，Ave.m为所述深度森林分类模型中最后一层森林的结果的平均值。
6.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～5任一项所述的一种高光谱遥感图像的分类方法。
7.一种高光谱遥感图像的分类设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～5任一项所述的一种高光谱遥感图像的分类方法。
CN201810224584.9A 2018-03-19 2018-03-19 一种高光谱遥感图像的分类方法、设备及存储设备 Expired - Fee Related CN108614992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810224584.9A CN108614992B (zh) 2018-03-19 2018-03-19 一种高光谱遥感图像的分类方法、设备及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810224584.9A CN108614992B (zh) 2018-03-19 2018-03-19 一种高光谱遥感图像的分类方法、设备及存储设备

Publications (2)

Publication Number Publication Date
CN108614992A CN108614992A (zh) 2018-10-02
CN108614992B true CN108614992B (zh) 2021-07-20

Family

ID=63659185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810224584.9A Expired - Fee Related CN108614992B (zh) 2018-03-19 2018-03-19 一种高光谱遥感图像的分类方法、设备及存储设备

Country Status (1)

Country Link
CN (1) CN108614992B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109473148A (zh) * 2018-10-26 2019-03-15 武汉工程大学 一种离子浓度预测方法、装置和计算机存储介质
CN109543612B (zh) * 2018-11-22 2023-04-21 浙江海洋大学 一种基于多粒度的遥感数据处理方法
CN109766833A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种基于光谱特征的城市河道水质类型遥感识别方法
CN110375987B (zh) * 2019-06-24 2021-10-22 昆明理工大学 一种基于深度森林机械轴承故障检测方法
CN110398466A (zh) * 2019-08-05 2019-11-01 北京绿土科技有限公司 基于遥感反演的农作物生长状态监测方法
CN110490114A (zh) * 2019-08-13 2019-11-22 西北工业大学 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法
CN111612086B (zh) * 2020-05-28 2023-01-20 云南电网有限责任公司电力科学研究院 一种基于集成学习算法的遥感图像分类方法
CN112131931B (zh) * 2020-08-07 2023-08-29 中国地质大学（武汉） 基于注意力机制的深度森林高光谱图像分类方法和系统
CN112990314B (zh) * 2021-03-16 2023-04-18 中国科学院长春光学精密机械与物理研究所 基于改进孤立森林算法的高光谱图像异常检测方法及装置
CN112990316B (zh) * 2021-03-18 2023-04-18 浪潮云信息技术股份公司 基于多显著性特征融合的高光谱遥感图像分类方法及系统
CN114462512B (zh) * 2022-01-18 2023-02-10 自然资源部国土卫星遥感应用中心 一种系统性的高光谱草原群落划分方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131734A (zh) * 2007-06-25 2008-02-27 北京航空航天大学 适用于高光谱遥感图像的自动波段选择方法
CN103903007B (zh) * 2014-03-10 2017-02-22 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
CN104021396A (zh) * 2014-06-23 2014-09-03 哈尔滨工业大学 基于集成学习的高光谱遥感数据分类方法
US9842264B2 (en) * 2015-08-12 2017-12-12 Chiman KWAN Method and system for UGV guidance and targeting
CN105069482B (zh) * 2015-08-21 2018-06-15 中国地质大学（武汉） 基于空间正则化流形学习算法的高光谱遥感图像分类方法
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
CN107506796A (zh) * 2017-08-25 2017-12-22 电子科技大学 一种基于深度森林的阿尔兹海默病分类方法

Also Published As

Publication number Publication date
CN108614992A (zh) 2018-10-02

Similar Documents

Publication Publication Date Title
CN108614992B (zh) 一种高光谱遥感图像的分类方法、设备及存储设备
CN110084159B (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
Wang et al. Locality and structure regularized low rank representation for hyperspectral image classification
Audebert et al. Generative adversarial networks for realistic synthesis of hyperspectral samples
Wang et al. Compressive sensing of hyperspectral images via joint tensor tucker decomposition and weighted total variation regularization
CN110852227A (zh) 高光谱图像深度学习分类方法、装置、设备及存储介质
CN108229550B (zh) 一种基于多粒度级联森林网络的云图分类方法
CN110569901A (zh) 一种基于通道选择的对抗消除弱监督目标检测方法
CN108764138B (zh) 一种基于多维多粒度级联森林的高原地区云雪分类方法
CN107944483B (zh) 基于双通道dcgan和特征融合的多光谱图像分类方法
CN114172688B (zh) 基于gcn-dl的加密流量网络威胁关键节点自动提取方法
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
Razaviyayn et al. Dictionary learning for sparse representation: Complexity and algorithms
CN116206185A (zh) 一种基于改进YOLOv7的轻量级小目标检测方法
CN111160400A (zh) 一种基于修正边界攻击的对抗攻击方法
CN113569632A (zh) 一种基于wgan的小样本地面慢速运动目标分类方法
Jin et al. Deep learning for seasonal precipitation prediction over China
CN114299382A (zh) 高光谱遥感图像分类方法及系统
Kong et al. Regularized multiple sparse Bayesian learning for hyperspectral target detection
CN109190701B (zh) 一种基于镜像不变性卷积神经网络的图像分类方法
CN111428772A (zh) 基于k-近邻自适应投票的光伏系统深度异常检测方法
CN115987730A (zh) 基于树状感知融合卷积网络的信号调制识别方法
Razaviyayn et al. Computational intractability of dictionary learning for sparse representation
CN115035408A (zh) 基于迁移学习和注意力机制的无人机影像树种分类方法
Fan et al. Improving gravitational wave detection with 2d convolutional neural networks

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210720

CF01 Termination of patent right due to non-payment of annual fee