CN109711466A - 一种基于边缘保留滤波的cnn高光谱图像分类方法 - Google Patents

Abstract

本发明公开了一种基于边缘保留滤波的CNN高光谱图像分类方法，为了增强分类效果，采用边缘保留滤波进行空间特征提取。同时，为了解决分类样本不均衡的特征，改变了原有的损失函数，增大样本数比较少的分类惩罚力度，进一步提高了分类效果。

Description

一种基于边缘保留滤波的CNN高光谱图像分类方法

技术领域

本发明涉及高光谱图像分类技术领域，更具体的说是涉及一种基于边缘保留滤波的CNN高光谱图像分类方法。

背景技术

随着高光谱成像仪的发展，高光谱图像变得容易获得。由于其包含丰富的空间特征和光谱特征，高光谱图像已经被广泛地应用到地表覆盖、环境监测、军事侦察等。作为高光谱图像应用的关键问题，高光谱图像分类得到越来越多的关注。

高光谱图像分类是将每个像素点按照其光谱特征进行分类。过去几十年，出现了很多像素敏感的分类方法，如K近邻(KNN)、支持向量机(SVM)、稀疏表示等。然而，这些传统的方法只考虑了光谱信息，忽略了空间上下文信息。

为了进一步提高分类精度，很多学者提出了空谱融合的高光谱图像分类方法，以充分利用空间上下文信息。一种光谱融合的分类方法是基于核融合的，如复合核，基于图的核，基于多边形的核。一般，基于核的方法都是与支持向量机结合使用，完成高光谱图像分类。

除此以外，共同表示模型也是一种有效的空谱融合方法。共同表示模型的主要思想是一个区域的像素集合可以用测试集的稀疏样本进行表示。后来，出现了大量的有关共同表示和稀疏模型的分类方法，如基于核的共同稀疏模型、结构化的共同稀疏表示模型、字典学习等。

图像滤波在计算机视觉领域被广泛应用，包括图像重构，图像去模糊，边缘检测等。其中，边缘保留滤波能够实现图像的去雾、去模糊，而且还具有保留图像的边缘特征的优点。因此，边缘保留滤波被广泛的应用到各种视觉领域，其中也包括高光谱图像分类领域。康旭东首次利用边缘保留滤波提取空间特征，并得到较好的高光谱图像分类效果。该方法先用像素敏感的支持向量机分类器进行分类，然后利用边缘保留滤波优化分类图。因此，该方法非常依赖前期的分类结果，不能充分利用空间特征。

因此，如何提供一种充分利用空间特征，分类效果明显增强的基于边缘保留滤波的CNN高光谱图像分类方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于边缘保留滤波的CNN高光谱图像分类方法，为了增强分类效果，采用边缘保留滤波进行空间特征提取。同时，为了解决分类样本不均衡的特征，改变了原有的损失函数，增大样本数比较少的分类惩罚力度，进一步提高了分类效果。

为了实现上述目的，本发明提供如下技术方案：

一种基于边缘保留滤波的CNN高光谱图像分类方法，具体步骤包括如下：

步骤一：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；在原始图像中任取其中的Z个分量得到高光谱图像I和主成分分析法降维后提取引导图像G，其中Z≤S；

步骤二：以高光谱图像I的分量为被引导图像，以引导滤波半径r＝3，得到引导后的图像分量；以同样的方式为高光谱图像I的其他分量做滤波，得到高光谱图像I的滤波后的图像；

步骤四：将滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量f_i，进一步将每个光谱分量f_i组合得到图像F；

步骤五：将每个光谱分量f_i变形为X₁×X₂的二维矩阵，作为卷积神经网络的输入；其中，X₁×X₂＝Z+K；

步骤六：将图像F的分量按比例分为训练集和测试集利用卷积神经网络进行分类；其中在卷积神经网络的损失函数Loss(T,Y)中加入正则项约束和类别权重系数，得到高光谱图像卷积神经网络的损失函数

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值作为上式中的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D的类别数，t_ic为测试集第i个样本的真实类标，当i样本属于第c类时，t_ic为1，其余为0；y_ic是测试集第i个样本的预测类标，定义方式与t_ic相同，W为卷积神经网络的所有参数；类别权重系数weight_c的计算公式为：

其中，n_c为训练集中第c类的样本个数，n_max为训练集中样本数量最多的类的样本个数。

优选的，在上述的一种基于边缘保留滤波的CNN高光谱图像分类方法中，所述步骤一中，原始图像为D＝[d₁,d₂,...，d_s]，其中，d_i＝[d_i1,d_i2,...，d_iN]，其中，S为光谱通道，i＝1,...，S；N＝α×β；取前三个分量作为引导图像G＝[P₁,P₂,P₃]，高光谱图像I＝[P₁,P₂,...，P_K]，其中，P₁＝[P_i1,P_i2,...，P_iN]，N＝α×β，K＝Z。

优选的，在上述的一种基于边缘保留滤波的CNN高光谱图像分类方法中，所述步骤四中，对应的分量进行拼接成分量f_i＝[P_i a_i]^T，进一步将每个分量f_i组合得到图像

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于边缘保留滤波的CNN高光谱图像分类方法，能够充分利用空间特征，同时改进卷积神经网络中的损失函数，增大样本数比较少的分类惩罚力度，保证分类均衡，进一步提高分类效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明的实施例的框架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于边缘保留滤波的CNN高光谱图像分类方法，能够充分利用空间特征，同时改进卷积神经网络中的损失函数，增大样本数比较少的分类惩罚力度，保证分类均衡，进一步提高分类效果。

实施例将本发明的技术方案应用于Pavia University数据集上，其维度为610×340×103，其中空间尺度为610×340像素，光谱通道为103。

一种基于边缘保留滤波的CNN高光谱图像分类方法，具体步骤包括如下：

步骤一：原始图像的维度为610×340×103，其中，610×340为空间尺度，103为光谱通道；在原始图像中任取其中的100个分量得到高光谱图像I和将原始图像进行主成分分析法降维提取引导图像G；

步骤二：以高光谱图像I的分量为被引导图像，以引导滤波半径r＝3，得到引导后的图像分量；以同样的方式为高光谱图像I的其他分量做滤波，得到高光谱图像I的滤波后的图像；

步骤四：将滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量f_i，进一步将每个光谱分量f_i组合得到图像F；

步骤五：将每个光谱分量f_i变形为10×20的二维矩阵，作为卷积神经网络的输入；(需要说明的是将每个光谱分量变形成10×20的二维矩阵，是因为高光谱图像I的100个分量与高光谱图像I的滤波后的图像的100个分量拼接，将这200个分量变形)

步骤六：将图像F的分量按比例分为训练集和测试集利用卷积神经网络进行分类；其中在卷积神经网络的损失函数Loss(T,Y)中加入正则项约束和类别权重系数，得到高光谱图像卷积神经网络的损失函数

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值作为上式中的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D的类别数为9，t_ic为测试集第i个样本的真实类标，当i样本属于第c类时，t_ic为1，其余为0；y_ic是测试集第i个样本的预测类标，定义方式与t_ic相同，W为卷积神经网络的所有参数；类别权重系数weight_c的计算公式为：

其中，n_c为训练集中第c类的样本个数，n_max为训练集中样本数量最多的类的样本个数。

为了进一步优化上述技术方案，所述步骤一中，原始图像为D＝[d₁,d₂,...，d_s]，其中，d_i＝[d_i1,d_i2,...，d_iN]，其中，103为光谱通道，i＝1,...，103；N＝610×340；将原始图像进行主成分分析法降维，取前三个分量作为引导图像G＝[P₁,P₂,P₃]，高光谱图像I＝[P₁,P₂,...，P_K]，其中，P₁＝[P_i1,P_i2,...，P_iN]，N＝610×340，K＝100。

为了进一步优化上述技术方案，所述步骤四中，对应的分量进行拼接成分量f_i＝[P_i a_i]^T，进一步将每个分量f_i组合得到图像

如表1所示，本发明的技术方案与现有技术的比较，在分类精度上本发明明显优于其他方法。

表1Pavia University数据集的分类精度(％)

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (3)

1.一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，具体步骤包括如下：

步骤一：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；在原始图像中任取其中的Z个分量得到高光谱图像I和经主成分分析法降维提取引导图像G，其中Z≤S；

步骤二：以高光谱图像I的分量为被引导图像，以引导滤波半径r＝3，得到引导后的图像分量；以同样的方式为高光谱图像I的其他分量做滤波，得到高光谱图像I的滤波后的图像；

步骤四：将滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量f_i，进一步将每个光谱分量f_i组合得到图像F；

步骤五：将每个光谱分量f_i变形为X₁×X₂的二维矩阵，作为卷积神经网络的输入；其中，X₁×X₂＝Z+K；

步骤六：将图像F的分量按比例分为训练集和测试集利用卷积神经网络进行分类；其中在卷积神经网络的损失函数Loss(T,Y)中加入正则项约束和类别权重系数，得到高光谱图像卷积神经网络的损失函数：

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值作为上式中的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D的类别数，t_ic为测试集第i个样本的真实类标，当i样本属于第c类时，t_ic为1，其余为0；y_ic是测试集第i个样本的预测类标，定义方式与t_ic相同，W为卷积神经网络的所有参数；类别权重系数weight_c的计算公式为：

其中，n_c为训练集中第c类的样本个数，n_max为训练集中样本数量最多的类的样本个数。

2.根据权利要求1所述的一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，所述步骤一中，原始图像为D＝[d₁,d₂,...，d_s]，其中，d_i＝[d_i1,d_i2,...，d_iN]，其中，S为光谱通道，i＝1,...，S；N＝α×β；将原始图像进行主成分分析法降维，取前三个分量作为引导图像G＝[P₁,P₂,P₃]，高光谱图像I＝[P₁,P₂,...，P_K]，其中，P₁＝[P_i1,P_i2,...，P_iN]，N＝α×β，K＝Z。

3.根据权利要求1所述的一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，所述步骤四中，对应的分量进行拼接成分量f_i＝[P_i a_i]^T，进一步将每个分量f_i组合得到图像