CN108846361A - 一种基于谱带特异性学习的高光谱图像分类方法 - Google Patents

Abstract

本发明提出了一种基于谱带特异性学习的高光谱图像分类方法，在网络中加入一个空间残差块，用于提取高光谱图像的空间特征，为光谱特征提供有用的辅助信息，缓解了光谱特征空间变异性对分类性能的影响。同时可以避免网络深度加深时分类精度的降低。设计了平行网络。使用谱带分割算法对高光谱图像基于光谱进行均匀分割，使用平行网络分别同时提取分割后数据的光谱特征，减少了网络的训练时间。

Description

一种基于谱带特异性学习的高光谱图像分类方法

技术领域

本发明涉及一种高光谱图像的分类分发，尤其是一种基于谱带特异性学习的高光谱图像分类方法，属于人机交互技术领域。

背景技术

在过去几十年的时间里，由于高光谱图像蕴含着丰富的地物光谱信息，适合用作地表覆盖分类，高光谱图像分类问题一直是图像识别领域的一个热门话题。在高光谱图像分类问题中，往往需要考虑如何充分利用高光谱图像最主要的两个特点：一是其众多谱带所蕴含的丰富的光谱信息；二是图像各像素与其相邻区域空间上的高度相关性，也就是高光谱图像像素的空间信息。高光谱图像的空间信息能够为光谱特征提供有用的辅助信息，有助于对高光谱图像进行更为精准的分类。

在高光谱图像分类问题中，为了更加充分地利用丰富的光谱信息，常用的高光谱图像分类模型主要包含对高光谱图像数据的特征提取和选择以及训练合适的分类器这两个阶段。特征的提取和选择能够从高光谱图像数据中提取出最具有判别意义的图像特征和谱带，用于后续的训练。另外，为了更加充分地利用高光谱图像的空间信息，解决光谱特征的空间变异性问题，有两种结合图像空间信息的方法：空间化输入和后处理。空间化输入方法是指直接将特征工程步骤运用到从高光谱图像中获得的三维立方体上，而不是仅仅关注光谱维度的信息。后处理的方法则将平滑线的先验信息列入了考虑范围，认为具有相似光谱信息的相邻的像素很可能属于相同的土地覆盖类别。

基于高光谱遥感图像的目标检测和识别技术已经广泛地应用在农业、林业、地质矿物、海洋科学、大气科学、航空航天和军事等多个领域。针对高光谱图像分类问题，研究者们提出了各类深度学习网络，取得了较高的分类精度。然而，一味地加深网络深度反而会引起精度降低，而且高光谱图像数据量庞大，网络的训练时间总是很长。同时，高光谱图像的光谱信息具有空间变异性，容易干扰分类。

发明内容

本发明的目的在于：针对现有技术存在的缺陷，提出一种基于谱带特异性学习的高光谱图像分类方法，在现有网络中加入一个空间残差块，以避免网络深度过深时精度的降低。

为了达到以上目的，本发明提供了一种基于谱带特异性学习的高光谱图像分类方法，包括如下步骤：

步骤1，将基本组成格式为a×b×N的高光谱图像数据作为输入数据，并进入步骤2，其中，(a,b)表示高光谱图像像素的空间坐标，N表示高光谱图像的光谱谱带数；

步骤2，利用一个卷积层初步提取高光谱图像的n个空间特征，根据如下公式：

进行卷积操作提取高光谱图像的空间特征，其中，表示第k个卷积核在图像的各个输入通道上(在该模型中为N)对图像坐标位置(i,j)处的卷积结果相加后再对所得到的结果取激活函数，H_k表示卷积层的第k个卷积核，X为卷积核作用范围内的像素值组成的矩阵，b_k为该处的偏置值，f₁(·)为卷积层后使用的激活函数，在该模型中采用的是ReLU函数，其数学表达式为f(x)＝max(0,x)，并进入下一步骤；

步骤3，将前述步骤中的输出数据输入至设计完成的空间残差块中；其中，构成残差块之间的连接根据如下公式：

X^p+2＝X^p+F(X^p,θ)

式中θ＝{h^p+1,h^p+2,b^p+1,b^p+2}，h^p+1和h^p+2分别代表第p+1和第p+2层的卷积核的数目，b^p+1和b^p+2分别表示第p+1和第p+2层的偏置值，X^p+1表示第p+1层的n个输入的集合进一步提取高光谱图像的空间特征，并进入下一步骤；

步骤4，将前述步骤中的输出数据以光谱n为基，将其均匀分割为n_b份，进入下一步骤；

步骤5，将前述步骤中的输出数据输入至结构相同参数共享的n_b个相互平行的分支中，对高光谱图像的光谱特征进行提取，根据如下公式：

将大小为P×P×N_c的输入数据X_i划分为平均的n_b份，Ψ(·,·)是将有N个光谱通道的高光谱图像X和整数n_b作为输入的函数，它将X划分成n_b个互不重叠的相邻的有着相同带宽长度b的带且Φ(·)是一个沿着光谱维为p×p×N_in的高光谱图像X运用特征选择算法产生输出Y的函数；设Xⁱ和Y^j分别是沿着光谱维的输入输出通道，并进入下一步骤；

步骤6，将前述步骤中的输出数据输入至全连接层，得到100个特征图，并进入下一步骤；

步骤7，将前述步骤中的输出数据输入至Softmax层，得到C个输出分类的分类结果，完成高光谱图像分类。根据如下公式：

计算C个输出类的条件概率完成最终的分类，其中，z＝[z₁,z₂,...,z_C]是步骤6的输出。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明针对高光谱图像分类网络深度加深时的精度下降问题，在网络中加入一个空间残差块，避免网络深度过深时精度的降低。同时，空间残差块的存在能够提取高光谱图像的空间特征，为光谱特征提供有用的辅助信息，能够减缓高光谱图像光谱信息空间变异性对分类精度的影响。针对网络训练时间长的问题，对高光谱图像进行基于谱带的进行划分，使用结构相同参数共享的平行网络进行高光谱图像光谱特征的提取，大大减少了网络的训练时间。

本发明与现有的高光谱图像分类算法进行对比，具有优秀的表现，能够用较短的时间达到较高的分类精度。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明的网络框架示意图。

具体实施方式

本实施例提供了一种基于谱带特异性学习的高光谱图像分类方法，以Indianpines高光谱数据集为例对该分类方法的具体实施做介绍。Indian pines数据集是由机载可见光/红外成像光谱仪(AVIRIS)传感器采集的位于印第安纳州西北部的Indian Pines高光谱图像，总共包括16个植被类别，它的图像大小为145x145，它的空间分辨率为20米/像素，共有224个光谱波段，其波长覆盖范围从0.4微米到2.5微米，光谱分辨率为10纳米。由于有20个波段受噪声和水吸水腐蚀的影响，在数据预处理中这些波段将从数据集里被移除，最后的数据集将只剩余200个波段。因此，实验所用的整个高光谱图像的数据大小为145×145×200。

具体流程如图1所示，包括如下步骤：

步骤一：将数据大小为145×145×200的高光谱数据作为输入数据，通过一个卷积层进行卷积操作提取图像的浅表空间特征作为输出输入下一层，其中，表示第k个卷积核在图像的各个输入通道上(在Indian pines数据集上通道数为200)对图像坐标位置(i,j)处的卷积结果相加后再对所得到的结果取激活函数，H_k表示卷积层的第k个卷积核，X为卷积核作用范围内的像素值组成的矩阵，b_k为该处的偏置值，f₁(·)为卷积层后使用的激活函数，在该模型中采用的是ReLU函数，其数学表达式为f(x)＝max(0,x)。

步骤二：将步骤一的输出通过设计的空间残差块进一步提取高光谱图像数据的空间特征，残差块可以理解为卷积层的延展，其连接可以表示为

X^p+2＝X^p+F(X^p,θ)

式中θ＝{h^p+1,h^p+2,b^p+1,b^p+2}，h^p+1和h^p+2分别代表第p+1和第p+2层的卷积核的数目，b^p+1和b^p+2分别表示第p+1和第p+2层的偏置值，X^p+1表示第p+1层的n个输入的集合进一步提取高光谱图像的空间特征，并进入下一步骤；

步骤三：将步骤二的输出基于数据的光谱维均匀划分为10个通道，输入下一层设置好的10个结构相同参数共享的平行网络中。

步骤四：将上一层划分好的10个通道的数据分别通过10个结构相同参数共享的平行网络利用卷积层提取高光谱数据的光谱特征，将该层的输出输入下一层。

步骤五：将上一层的输出输入全连接层，得的Indian pines高光谱数据集的100个特征图，输入下一层。

步骤六：将步骤六的输出输入Softmax层，通过计算各个类上的概率

得到16个输出分类的分类结果，完成高光谱图像分类。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (5)

1.一种基于谱带特异性学习的高光谱图像分类方法，其特征在于：包括如下步骤：

步骤1，将基本组成格式为a×b×N的高光谱图像数据作为输入数据，并进入步骤2，其中，(a,b)表示高光谱图像像素的空间坐标，N表示高光谱图像的光谱谱带数；

步骤2，利用一个卷积层初步提取高光谱图像的n个空间特征，并进入下一步骤；

步骤3，将前述步骤中的输出数据输入至设计完成的空间残差块中，进一步提取高光谱图像的空间特征，并进入下一步骤；

步骤4，将前述步骤中的输出数据以光谱n为基，将其均匀分割为n_b份，进入下一步骤；

步骤5，将前述步骤中的输出数据输入至结构相同参数共享的n_b个相互平行的分支中，对高光谱图像的光谱特征进行提取，并进入下一步骤；

步骤6，将前述步骤中的输出数据输入至全连接层，得到100个特征图，并进入下一步骤；

步骤7，将前述步骤中的输出数据输入至Softmax层，得到C个输出分类的分类结果，完成高光谱图像分类。

2.根据权利要求1所述的基于谱带特异性学习的高光谱图像分类方法，其特征在于：所述步骤2中，根据如下公式：

进行卷积操作提取高光谱图像的空间特征，其中，表示第k个卷积核在图像的各个输入通道上(在该模型中为N)对图像坐标位置(i,j)处的卷积结果相加后再对所得到的结果取激活函数，H_k表示卷积层的第k个卷积核，X为卷积核作用范围内的像素值组成的矩阵，b_k为该处的偏置值，f₁(·)为卷积层后使用的激活函数，在该模型中采用的是ReLU函数，其数学表达式为f(x)＝max(0,x)。

3.根据权利要求1所述的基于谱带特异性学习的高光谱图像分类方法，其特征在于：所述步骤3中，根据如下公式：

X^p+2＝X^p+F(X^p,θ)

构成残差块之间的连接，式中θ＝{h^p+1,h^p+2,b^p+1,b^p+2}，h^p+1和h^p+2分别代表第p+1和第p+2层的卷积核的数目，b^p+1和b^p+2分别表示第p+1和第p+2层的偏置值，X^p+1表示第p+1层的n个输入的集合。

4.根据权利要求1所述的基于谱带特异性学习的高光谱图像分类方法，其特征在于：所述步骤5中，根据如下公式：

将大小为P×P×N_c的输入数据X_i划分为平均的n_b份，Ψ(·,·)是将有N个光谱通道的高光谱图像X和整数n_b作为输入的函数，它将X划分成n_b个互不重叠的相邻的有着相同带宽长度b的带且Φ(·)是一个沿着光谱维为p×p×N_in的高光谱图像X运用特征选择算法产生输出Y的函数；设 Xⁱ和Y^j分别是沿着光谱维的输入输出通道。

5.根据权利要求1所述的基于谱带特异性学习的高光谱图像分类方法，其特征在于：所述步骤7中，根据如下公式：

计算C个输出类的条件概率完成最终的分类，其中，z＝[z₁,z₂,...,z_C]是步骤6的输出。