CN109726757A - 一种融合多尺度空间特征的dcnn高光谱图像分类方法 - Google Patents
一种融合多尺度空间特征的dcnn高光谱图像分类方法 Download PDFInfo
- Publication number
- CN109726757A CN109726757A CN201811604873.8A CN201811604873A CN109726757A CN 109726757 A CN109726757 A CN 109726757A CN 201811604873 A CN201811604873 A CN 201811604873A CN 109726757 A CN109726757 A CN 109726757A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensionality reduction
- dcnn
- classification method
- component
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 39
- 238000001914 filtration Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- FESBVLZDDCQLFY-UHFFFAOYSA-N sete Chemical group [Te]=[Se] FESBVLZDDCQLFY-UHFFFAOYSA-N 0.000 claims 1
- 230000006870 function Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Abstract
本发明提出了一种融合多尺度空间特征的深度卷积神经网络高光谱分类方法。该方法能够最大限度地发掘空间上下文特征，提高高光谱分类精度。并且，该方法融合了多尺度空间特征，提升了方法的鲁棒性，使方法适用于不同的数据集。
Description
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融合多尺度空间特征的DCNN高光谱图像分类方法。
背景技术
得益于高光谱传感器的发展，高光谱图像在遥感领域被广泛的应用。高光谱图像具有数百个光谱通道，能够更详细地描述物质的特征，有利于更好的识别不同物质和物体。高光谱图像被应用到各种应用领域，如地表覆盖、环境监测、农业等。高光谱图像分类作为高光谱图像应用的一个关键问题成为遥感领域的一个研究热点。
早期的高光谱图像分类主要关注如何抽取光谱特征，以便解决高光谱引发的维度灾难问题。一些降维方法，如主成分分析(PCA)、独立成分分析(ICA)，与传统的分类方法相结合成为常用的分类手段，如最近邻(KNN)、支持向量机(SVM)、随机森林等。近期，随着深度学习在各个领域的广泛应用，高光谱分类也出现了多种深度学习分类方法，如自编码器(AE)、卷积神经网络(CNN)、深度信念网络(DBN)等。这些方法中，CNN的分类性能最好，但是，始终达不到人们的预期。因为高光谱图像存在严重的“同谱异物，同物异谱”的现象。
为了克服这些问题、提高分类精度，很多学者提出空谱融合的高光谱图像分类方法。该方法用光谱特征融合空间上下文信息，很大程度提升了分类精度。其中，基于多核学习的空谱分类方法是一种常用的空谱融合方法。该方法主要与支持向量机相结合实现高光谱图像分类。另一类空谱融合分类方法采用共同表示方式实现分类，如共同稀疏表示、字典学习等方法。
对于深度学习，早期的空谱融合方法是基于邻接像素或邻接域的分类方法。康旭东等人提出基于引导滤波的空谱融合分类方法。后来，王力哲等人提出了基于多特征的深度学习高光谱分类方法。但是，这些研究均只考虑了一种尺度的空间特征，没有最大限度的发挥空间特征的优势。
因此，如何提供一种能够最大限度地发掘空间上下文特征，提高高光谱分类精度的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，本发明提供了一种融合多尺度空间特征的DCNN高光谱图像分类方法，能够最大限度地发掘空间上下文特征，提高高光谱分类精度。并且，该方法融合了多尺度空间特征，提升了方法的鲁棒性，使方法适用于不同的数据集。
为了实现上述目的，本发明提供如下技术方案：
一种融合多尺度空间特征的DCNN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；将原始图像用主成分分析法降维，得到引导图像G和降维后高光谱图像I；
步骤二：以降维后高光谱图像I的分量为被引导图像，设置e次不同的引导滤波半径re，其中re取3，5，7…像素，正则项ε＝0.001，得到引导后的图像分量；以同样的方式为降维后高光谱图像I的其他分量做滤波，得到降维后高光谱图像I的滤波后的图像；
步骤三：设置不同的引导滤波半径re得到降维后高光谱图像I的e个滤波后的图像，分别为A1,A2,...,Ae；
步骤四：将每个不同的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fi，进一步将每个光谱分量fi组合得到图像F；
步骤五：将每个光谱分量fi变形为X×Y的二维矩阵，作为卷积神经网络的输入；其中，X×Y＝S；
步骤六：将图像F的分量按比例分为训练集和测试集利用深度卷积神经网络进行分类。
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,...，ds]，其中，di＝[di1,di2,...，diN]，其中，S为光谱通道，i＝1,...，S；N＝α×β；经过主成分分析法降维后，取前三个分量作为引导图像G＝[P1,P2,P3]，降维后的高光谱图像I＝[P1,P2,...，PK]，其中，P1＝[Pi1,Pi2,...，PiN]，N＝α×β。
为了进一步优化上述技术方案，所述步骤三中，选用不同的引导滤波半径得到滤波后的图像其中其中其中
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进一步将每个光谱分量fi组合得到图像F。
为了进一步优化上述技术方案，所述步骤六中，引入损失函数为：其中，m为批处理的规模，N为权重的个数，w为权重的值，λ为惩罚系数。
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融合多尺度空间特征的DCNN高光谱图像分类方法，能够最大限度地发掘空间上下文特征，提高高光谱分类精度。并且，该方法融合了多尺度空间特征，提升了方法的鲁棒性，使方法适用于不同的数据集。并且为了解决卷积神经网络过拟合问题改进了损失函数。
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1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融合多尺度空间特征的DCNN高光谱图像分类方法，能够最大限度地发掘空间上下文特征，提高高光谱分类精度。并且，该方法融合了多尺度空间特征，提升了方法的鲁棒性，使方法适用于不同的数据集。
实施例将本发明的技术方案应用于Indian Pines数据集上，其维度为145×145×200，其中空间尺度为145×145像素，光谱通道为200。
一种融合多尺度空间特征的DCNN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145×145×200，其中，145×145为空间尺度，200为光谱通道；将原始图像用主成分分析法降维，得到引导图像G和降维后高光谱图像I；
步骤二：以降维后高光谱图像I的分量为被引导图像，设置3个不同的引导滤波半径re，其中re取3，5，7像素(其中引导滤波半径的定义是取3，5，7像素)，正则项ε＝0.001，得到引导后的图像分量；以同样的方式为降维后高光谱图像I的其他分量做滤波，得到降维后高光谱图像I的滤波后的图像；
步骤三：设置不同的引导滤波半径re得到降维后高光谱图像I的e个滤波后的图像，分别为A1,A2,A3；
步骤四：将每个不同的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fi，进一步将每个光谱分量fi组合得到图像F；
步骤五：将每个分量fi变形为10×20的二维矩阵，作为卷积神经网络的输入；
步骤六：将图像F的分量10％为训练集和90％为测试集利用深度卷积神经网络进行分类。
为了进一步优化上述技术方案，步骤一中，原始图像为D＝[d1,d2,...，ds]，其中，di＝[di1,di2,...，diN]，其中，S为200，i＝1,…，200；N＝145×145；经过主成分分析法降维后，取前三个分量作为引导图像G＝[P1,P2,P3]，降维后的高光谱图像I＝[P1,P2,…，PK]，K＝50，其中，P1＝[Pi1,Pi2,…，PiN]，N＝145×145。
为了进一步优化上述技术方案，步骤三中，选用不同的引导滤波半径得到滤波后的图像其中其中其中K＝50。
为了进一步优化上述技术方案，步骤四中，对应的分量进行拼接成分量进一步将每个光谱分量fi组合得到图像
为了进一步优化上述技术方案，所述步骤六中，引入损失函数为：其中，m为批处理的规模，N为权重的个数，w为权重的值，λ为惩罚系数。m为100，λ为10-4。
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1 Indian Pines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 (5)
1.一种融合多尺度空间特征的DCNN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；将原始图像用主成分分析法降维，得到引导图像G和降维后高光谱图像I；
步骤二：以降维后高光谱图像I的分量为被引导图像，设置e次不同的引导滤波半径re，其中re取3，5，7…像素，正则项ε＝0.001，得到引导后的图像分量；以同样的方式为降维后高光谱图像I的其他分量做滤波，得到降维后高光谱图像I的滤波后的图像；
步骤三：设置不同的引导滤波半径re得到降维后高光谱图像I的e个滤波后的图像，分别为A1,A2,...,Ae；
步骤四：将每个不同的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fi，进一步将每个光谱分量fi组合得到图像F；
步骤五：将每个光谱分量fi变形为X×Y的二维矩阵，作为卷积神经网络的输入；其中，X×Y＝S；
步骤六：将图像F的分量按比例分为训练集和测试集利用深度卷积神经网络进行分类。
2.根据权利要求1所述的一种融合多尺度空间特征的DCNN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,...，ds]，其中，di＝[di1,di2,...，diN]，其中，S为光谱通道，i＝1,...，S；N＝α×β；经过主成分分析法降维后，取前三个分量作为引导图像G＝[P1,P2,P3]，降维后的高光谱图像I＝[P1,P2,...，PK]，其中，P1＝[Pi1,Pi2,...，PiN]，N＝α×β。
3.根据权利要求2所述的一种融合多尺度空间特征的DCNN高光谱图像分类方法，其特征在于，所述步骤三中，选用不同的引导滤波半径得到滤波后的图像其中其中 其中
4.根据权利要求1所述的一种融合多尺度空间特征的DCNN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进一步将每个分量fi组合得到图像F。
5.根据权利要求1所述的一种融合多尺度空间特征的DCNN高光谱图像分类方法，其特征在于，所述步骤六中，引入损失函数为：其中，m为批处理的规模，N为权重的个数，w为权重的值，λ为惩罚系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811604873.8A CN109726757A (zh) | 2018-12-26 | 2018-12-26 | 一种融合多尺度空间特征的dcnn高光谱图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811604873.8A CN109726757A (zh) | 2018-12-26 | 2018-12-26 | 一种融合多尺度空间特征的dcnn高光谱图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109726757A true CN109726757A (zh) | 2019-05-07 |
Family
ID=66297263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811604873.8A Pending CN109726757A (zh) | 2018-12-26 | 2018-12-26 | 一种融合多尺度空间特征的dcnn高光谱图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726757A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298414A (zh) * | 2019-07-09 | 2019-10-01 | 西安电子科技大学 | 基于去噪组合降维和引导滤波的高光谱图像分类方法 |
| CN110321963A (zh) * | 2019-07-09 | 2019-10-11 | 西安电子科技大学 | 基于融合多尺度多维空谱特征的高光谱图像分类方法 |
| CN110458057A (zh) * | 2019-07-29 | 2019-11-15 | 天津大学 | 一种基于边缘保持的卷积神经网络高光谱图像分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092921A (zh) * | 2017-03-10 | 2017-08-25 | 佛山市南海区广工大数控装备协同创新研究院 | 基于k最近邻滤波的高光谱图像分类方法 |
| CN107145830A (zh) * | 2017-04-07 | 2017-09-08 | 西安电子科技大学 | 基于空间信息增强和深度信念网络的高光谱图像分类方法 |
| CN107657271A (zh) * | 2017-09-02 | 2018-02-02 | 西安电子科技大学 | 基于长短时记忆网络的高光谱图像分类方法 |
| CN107844751A (zh) * | 2017-10-19 | 2018-03-27 | 陕西师范大学 | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 |
| CN108985517A (zh) * | 2018-07-27 | 2018-12-11 | 南京理工大学 | 基于线性回归的短时交通流量预测方法 |
-
2018
- 2018-12-26 CN CN201811604873.8A patent/CN109726757A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092921A (zh) * | 2017-03-10 | 2017-08-25 | 佛山市南海区广工大数控装备协同创新研究院 | 基于k最近邻滤波的高光谱图像分类方法 |
| CN107145830A (zh) * | 2017-04-07 | 2017-09-08 | 西安电子科技大学 | 基于空间信息增强和深度信念网络的高光谱图像分类方法 |
| CN107657271A (zh) * | 2017-09-02 | 2018-02-02 | 西安电子科技大学 | 基于长短时记忆网络的高光谱图像分类方法 |
| CN107844751A (zh) * | 2017-10-19 | 2018-03-27 | 陕西师范大学 | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 |
| CN108985517A (zh) * | 2018-07-27 | 2018-12-11 | 南京理工大学 | 基于线性回归的短时交通流量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张佳滨: "基于深度学习的多特征高光谱遥感图像分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王雷光: "高光谱影像的引导滤波多尺度特征提取", 《遥感学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298414A (zh) * | 2019-07-09 | 2019-10-01 | 西安电子科技大学 | 基于去噪组合降维和引导滤波的高光谱图像分类方法 |
| CN110321963A (zh) * | 2019-07-09 | 2019-10-11 | 西安电子科技大学 | 基于融合多尺度多维空谱特征的高光谱图像分类方法 |
| CN110321963B (zh) * | 2019-07-09 | 2022-03-04 | 西安电子科技大学 | 基于融合多尺度多维空谱特征的高光谱图像分类方法 |
| CN110298414B (zh) * | 2019-07-09 | 2022-12-06 | 西安电子科技大学 | 基于去噪组合降维和引导滤波的高光谱图像分类方法 |
| CN110458057A (zh) * | 2019-07-29 | 2019-11-15 | 天津大学 | 一种基于边缘保持的卷积神经网络高光谱图像分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107992842B (zh) | 活体检测方法、计算机装置及计算机可读存储介质 | |
| Seferbekov et al. | Feature pyramid network for multi-class land segmentation | |
| CN109726757A (zh) | 一种融合多尺度空间特征的dcnn高光谱图像分类方法 | |
| EP3923233A1 (en) | Image denoising method and apparatus | |
| Park et al. | Saliency map model with adaptive masking based on independent component analysis | |
| CN108734719A (zh) | 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法 | |
| CN109933975A (zh) | 一种基于深度学习的验证码识别方法及系统 | |
| Liu et al. | Spectral–spatial classification of hyperspectral image using three-dimensional convolution network | |
| CN109711466A (zh) | 一种基于边缘保留滤波的cnn高光谱图像分类方法 | |
| CN109376753A (zh) | 一种稠密连接的三维空谱分离卷积深度网络及构建方法 | |
| CN107749048B (zh) | 图像矫正系统及方法、色盲图像矫正系统及方法 | |
| CN111626267B (zh) | 一种利用空洞卷积的高光谱遥感图像分类方法 | |
| CN113822383B (zh) | 一种基于多域注意力机制的无人机检测方法及系统 | |
| Jin et al. | Remote sensing image fusion method in CIELab color space using nonsubsampled shearlet transform and pulse coupled neural networks | |
| Pham et al. | Feature profiles from attribute filtering for classification of remote sensing images | |
| Mahmood et al. | Automatic threshold selection for morphological attribute profiles | |
| Mu et al. | Single image super resolution with high resolution dictionary | |
| Singh et al. | Construction of fused image with improved depth-of-field based on guided co-occurrence filtering | |
| Farup | Individualised halo-free gradient-domain colour image daltonisation | |
| CN112308087A (zh) | 基于动态视觉传感器的一体化成像识别系统和方法 | |
| CN113554047A (zh) | 图像处理模型的训练方法、图像处理方法及对应的装置 | |
| CN116469172A (zh) | 一种多时间尺度下的骨骼行为识别视频帧提取方法及系统 | |
| Mustafa et al. | Dense multi-focus fusion net: A deep unsupervised convolutional network for multi-focus image fusion | |
| CN115049830A (zh) | 一种基于矩阵边缘特征元素的图像缩边模型、方法及装置 | |
| KR102561214B1 (ko) | 글로벌 어텐션을 이용한 영상 분할 방법 및 장치 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220309 Address after: 250000 room 313, north of building 4, overpass education and business center, No. 9, Weibei Road, overpass District, Jinan City, Shandong Province Applicant after: Shandong Wallis Intelligent Technology Co.,Ltd. Address before: 250000 No. 2399, University Road, Changqing University Science Park, Jinan City, Shandong Province Applicant before: SHANDONG WOMEN'S University |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |