CN109816018A - 一种高光谱图像分类方法 - Google Patents
一种高光谱图像分类方法 Download PDFInfo
- Publication number
- CN109816018A CN109816018A CN201910074026.3A CN201910074026A CN109816018A CN 109816018 A CN109816018 A CN 109816018A CN 201910074026 A CN201910074026 A CN 201910074026A CN 109816018 A CN109816018 A CN 109816018A
- Authority
- CN
- China
- Prior art keywords
- layer
- formula
- output
- hidden layer
- classification method
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种高光谱图像分类方法,包括如下步骤:S1:使用主成分分析算法提取高光谱图像的第一主成分,并作为训练标签;S2:将训练标签和高光谱图像原始数据输入卷积神经网络,获取重构数据;S3:使用优化的极限学习机算法对重构数据进行分类,获取高光谱图像的分类图;本发明解决了现有技术存在的无法实现对高光谱图像的准确分类以及分类精度和分类速度低的问题。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种高光谱图像分类方法。
背景技术
随着遥感技术的发展,高光谱技术也得到了相应的发展。与多光谱遥感图像相比,高光谱遥感影像具有更加丰富的空间信息和光谱信息,通过这些信息可以准确反映不同地物类别之间的差异,并实现地物类别的准确提取与识别,为更好的高光谱遥感影像分析提供了良好的基础条件。高光谱技术在很多方面有许多重要应用,如环境监测,医学诊断,军事侦察和目标探测等,它提供了丰富的信息来区分物体或物理材料。特别是,当不同类别具有相似的光谱特征时,它具有提供更精细的分类图的巨大潜力。
传统的经典分类器,利用k-最近邻算法、逻辑回归算法和支持向量机算法,被用于高光谱分类以获得令人满意的性能。基于稀疏表示的分类(SRC)也用于高光谱分类,它不需要任何关于数据分布的先验知识。卷积神经网络在计算机视觉领域的成功运用,引起了人们的极大关注。许多深度学习为主的算法一直专注于深度特征提取的分类改进。卷积神经网络算法比其他的算法在图像分类方面更有优势。
现有技术中,如果没有足够的样本,传统的卷积神经网络(CNN)将面临“过度拟合”的问题,卷积神经网络算法作为提取深度特征的工具就无法实现对高光谱图像的准确分类,其分类精度和分类速度低。
发明内容
针对现有技术中的上述不足,本发明提出一种高光谱图像分类方法,用于解决现有技术存在的无法实现对高光谱图像的准确分类以及分类精度和分类速度低的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种高光谱图像分类方法,包括如下步骤:
S1:使用主成分分析算法提取高光谱图像的第一主成分,并作为训练标签;
S2:将训练标签和高光谱图像原始数据输入卷积神经网络,获取重构数据;
S3:使用优化的极限学习机算法对重构数据进行分类,获取高光谱图像的分类图。
进一步地,步骤S2中,卷积神经网络包括卷积层、反卷积层、隐含层、汇集层以及池化层。
进一步地,卷积层的公式为:
Fi+1(X)=θi+1(ui+1)
式中,Fi+1(X)为带有ni个特征映射的第i+1层卷积层的输出,其中,ni为第i卷积层输出的特征映射个数;X=[x1,x2,...,xl,...,xL]为输入卷积层的高光谱图像原始数据,其中,xl为第l个波段的光谱数据,l为波段指示量,L为波段总数;i为卷积层层数指示量;θi+1为第i+1层卷积层的激活函数;ui+1为第i+1层卷积层的卷积函数。
进一步地,卷积函数的公式为:
式中,ui+1为第i+1层卷积层的卷积函数;Fi(xl)为带有ni个特征映射的第i+1层卷积层的输入;wi+1为第i+1层卷积层的滤波器;bi+1为第i+1层卷积层的偏差向量;*为卷积运算。
进一步地,步骤S2中,卷积神经网络的训练过程,包括如下步骤:
A-1:在规定范围内随机选择权重矩阵和偏差矩阵,并根据其获取隐含层的输入;
A-2:根据隐含层的输入获取隐含层的输出;
A-3:根据隐含层的输出和期望输出,获取高光谱的重建数据。
进一步地,步骤A-1中,获取隐含层的输入的公式为:
Hin=WX'+C
式中,Hin为隐含层的输入;W为权重矩阵;C为偏差矩阵;X'为输入隐含层的训练样本。
进一步地,训练卷积神经网络,通过不断更新的权重和偏差矩阵,获取重构数据,其更新公式为:
式中,为第m层网络第i'+1次迭代和第i'次迭代的权重,分别构成第i'+1次迭代和第i'次迭代的权重矩阵;Δi'+1、Δi为第i'+1次迭代和第i'次迭代的偏差矩阵;为损失函数对网络参数的偏导数;η为学习效率;i'为迭代次数;m为网络层数。
进一步地,步骤A-2中,获取隐含层的输出公式为:
Hout=g(Hin)
式中,Hout为隐含层的输出;Hin为隐含层的输入;g(·)为隐含层的S形激活函数。
进一步地,步骤A-3中,获取高光谱的重建数据的公式为:
式中,B为高光谱的重建数据;T为期望输出;为隐含层的输出Hout的伪逆矩阵;
隐含层的输出的伪逆矩阵的公式为:
式中,为隐含层的输出的伪逆矩阵;为隐含层的输出的逆矩阵。
进一步地,损失函数的公式为:
式中,Loss(x,Θ)为损失函数;F(xl,Θ)为高光谱图像原始数据xl和网络参数Θ的卷积层的输入;xFPC为高光谱图像的第一主成分,即训练标签。
本发明的有益效果:
本发明提出一种高光谱图像分类方法,提高了高光谱图像分类精度和分类速度,解决了传统卷积神经网络由于没有足够的样本面临的“过度拟合”,导致的无法实现对高光谱图像的准确分类以及分类精度和分类速度低的问题。
附图说明
图1为高光谱图像分类方法流程图;
图2为反卷积的示意图;
图3为反卷积层输出特征图;
图4为分类结果图;
图5为不同分类方法实现的分类结果对比图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种高光谱图像分类方法,包括如下步骤:
S1:使用主成分分析算法提取高光谱图像的第一主成分,并作为训练标签;
通过主成分分析算法提取的第一主成分具有详细的空间特征,特别是边缘特征,第一主成分图像与输入高光谱图像具有相同的宽度和长度,由于高光谱图像携带细致的空间特征,通过这种方法处理,第一主成分用作输入数据的标签图像,进一步改善高光谱数据的空间信息;
S2:将训练标签和高光谱图像原始数据输入卷积神经网络,获取重构数据;
卷积神经网络包括卷积层、反卷积层、隐含层、汇集层以及池化层,增强了高光谱图像的深层特征,便于后续使用优化的极限学习机算法对高光谱图像进行分类;在获取反卷积层的输出图像时,反卷积层可以将单个输入特征与多个输出特征相关联,在反卷积层中使用的滤波器作用于深层特征的输入以及输出反卷积后的更深层的特征,反卷积的示意图如图2所示,经过反卷积层获得了反卷积层输出的特征图如图3所示。
S3:使用优化的极限学习机算法对重构数据进行分类,获取高光谱图像的分类图;与SVM等传统神经网络算法相比,极限学习机算法训练速度快,需要人工干预少,对于异质的数据集,具有很强的泛化能力;如图4所示,从图中可以看出16种植被均做了明显分类。
本实施例中,卷积层的公式为:
Fi+1(X)=θi+1(ui+1)
式中,Fi+1(X)为带有ni个特征映射的第i+1层卷积层的输出,其中,ni为第i卷积层输出的特征映射个数;X=[x1,x2,...,xl,...,xL]为输入卷积层的高光谱图像原始数据,其中,xl为第l个波段的光谱数据,l为波段指示量,L为波段总数;i为卷积层层数指示量;θi+1为第i+1层卷积层的激活函数;ui+1为第i+1层卷积层的卷积函数。
本实施例中,卷积函数的公式为:
式中,ui+1为第i+1层卷积层的卷积函数;Fi(xl)为带有ni个特征映射的第i+1层卷积层的输入;wi+1为第i+1层卷积层的滤波器;bi+1为第i+1层卷积层的偏差向量,向量的每个元素与每个过滤器相关联;*为卷积运算;
本实施例中,步骤S2中,卷积神经网络的训练过程,包括如下步骤:
A-1:在规定范围内随机选择权重矩阵和偏差矩阵,并根据其获取隐含层的输入;
A-2:根据隐含层的输入获取隐含层的输出;
A-3:根据隐含层的输出和期望输出,获取高光谱的重建数据。
本实施例中,步骤A-1中,获取隐含层的输入的公式为:
Hin=WX'+C
式中,Hin为隐含层的输入;W为权重矩阵;C为偏差矩阵;X'为输入隐含层的训练样本。
本实施例中,卷积神经网络框架是一种深度学习框架,它具有富有表现力的结构框架和可扩展的结构代码等优势,包含第一主成分的高光谱立方图用于训练随机梯度下降的卷积神经网络方法,通过不断更新的权重和偏差矩阵,获取重构数据,其更新公式为:
式中,为第m层网络第i'+1次迭代和第i'次迭代的权重,分别构成第i'+1次迭代和第i'次迭代的权重矩阵;Δi'+1、Δi为第i'+1次迭代和第i'次迭代的偏差矩阵;为损失函数对网络参数的偏导数;η为学习效率;i'为迭代次数;m为网络层数。
本实施例中,步骤A-2中,获取隐含层的输出公式为:
Hout=g(Hin)
式中,Hout为隐含层的输出;Hin为隐含层的输入;g(·)为隐含层的S形激活函数。
本实施例中,步骤A-3中,获取高光谱的重建数据的公式为:
式中,B为高光谱的重建数据;T为期望输出;为隐含层的输出Hout的伪逆矩阵;
隐含层的输出的伪逆矩阵的公式为:
式中,为隐含层的输出的伪逆矩阵;为隐含层的输出的逆矩阵。
本实施例中,损失函数的公式为:
式中,Loss(x,Θ)为损失函数;F(xl,Θ)为高光谱图像原始数据xl和网络参数Θ的卷积层的输入;xFPC为高光谱图像的第一主成分,即训练标签。
本实施例中,为了便于说明本发明方法分类结果的优越性,对印度松的高光谱数据采用了其他几种分类方法进行分类,并与本发明方法的分类结果进行比较,如图5所示为高光谱图像分类方法的不同分类方法实现的分类结果对比图,图(a)为印度松的状况真实分布图;图(b)为采用乘型迭代算法对印度松进行分类的分类结果图;图(c)为采用极限学习机的方法对印度松进行分类的分类结果图;图(d)为采用支持向量机算法对印度松进行分类的分类结果图;图(e)为采用卷积神经网络算法对印度松进行分类的分类结果图;图(f)为采用本发明方法对印度松进行分类的分类结果图。为了更加准确地说明本发明方法的分类准确性,将分类结果进行量化,获得了高光谱图像分类方法的分类准确率比较表,如表1所示,从表中可以清晰地看出所提方法的分类结果的准确率明显高于其他方法。
表1
本发明的一种高光谱图像分类方法,解决了现有技术存在的无法实现对高光谱图像的准确分类以及分类精度和分类速度低的问题。
Claims (10)
1.一种高光谱图像分类方法,其特征在于,包括如下步骤:
S1:使用主成分分析算法提取高光谱图像的第一主成分,并作为训练标签;
S2:将训练标签和高光谱图像原始数据输入卷积神经网络,获取重构数据;
S3:使用优化的极限学习机算法对重构数据进行分类,获取高光谱图像的分类图。
2.根据权利要求1所述的高光谱图像分类方法,其特征在于,所述步骤S2中,所述卷积神经网络包括卷积层、反卷积层、隐含层、汇集层以及池化层。
3.根据权利要求2所述的高光谱图像分类方法,其特征在于,所述卷积层的公式为:
Fi+1(X)=θi+1(ui+1)
式中,Fi+1(X)为带有ni个特征映射的第i+1层卷积层的输出,其中,ni为第i卷积层输出的特征映射个数;X=[x1,x2,...,xl,...,xL]为输入卷积层的高光谱图像原始数据,其中,xl为第l个波段的光谱数据,l为波段指示量,L为波段总数;i为卷积层层数指示量;θi+1为第i+1层卷积层的激活函数;ui+1为第i+1层卷积层的卷积函数。
4.根据权利要求3所述的高光谱图像分类方法,其特征在于,所述卷积函数的公式为:
式中,ui+1为第i+1层卷积层的卷积函数;Fi(xl)为带有ni个特征映射的第i+1层卷积层的输入;wi+1为第i+1层卷积层的滤波器;bi+1为第i+1层卷积层的偏差向量;*为卷积运算。
5.根据权利要求4所述的高光谱图像分类方法,其特征在于,所述步骤S2中,卷积神经网络的训练过程,包括如下步骤:
A-1:在规定范围内随机选择权重矩阵和偏差矩阵,并根据其获取隐含层的输入;
A-2:根据隐含层的输入获取隐含层的输出;
A-3:根据隐含层的输出和期望输出,获取高光谱的重建数据。
6.根据权利要求5所述的高光谱图像分类方法,其特征在于,所述步骤A-1中,获取隐含层的输入的公式为:
Hin=WX'+C
式中,Hin为隐含层的输入;W为权重矩阵;C为偏差矩阵;X'为输入隐含层的训练样本。
7.根据权利要求6所述的高光谱图像分类方法,其特征在于,训练卷积神经网络,通过不断更新的权重和偏差矩阵,获取重构数据,其更新公式为:
式中,为第m层网络第i'+1次迭代和第i'次迭代的权重,分别构成第i'+1次迭代和第i'次迭代的权重矩阵;Δi'+1、Δi为第i'+1次迭代和第i'次迭代的偏差矩阵;为损失函数对网络参数的偏导数;η为学习效率;i'为迭代次数;m为网络层数。
8.根据权利要求7所述的高光谱图像分类方法,其特征在于,所述步骤A-2中,获取隐含层的输出公式为:
Hout=g(Hin)
式中,Hout为隐含层的输出;Hin为隐含层的输入;g(·)为隐含层的S形激活函数。
9.根据权利要求8所述的高光谱图像分类方法,其特征在于,所述步骤A-3中,获取高光谱的重建数据的公式为:
式中,B为高光谱的重建数据;T为期望输出;为隐含层的输出Hout的伪逆矩阵;
所述隐含层的输出的伪逆矩阵的公式为:
式中,为隐含层的输出的伪逆矩阵;为隐含层的输出的逆矩阵。
10.根据权利要求9所述的高光谱图像分类方法,其特征在于,所述损失函数的公式为:
式中,Loss(x,Θ)为损失函数;F(xl,Θ)为高光谱图像原始数据xl和网络参数Θ的卷积层的输入;xFPC为高光谱图像的第一主成分,即训练标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910074026.3A CN109816018A (zh) | 2019-01-25 | 2019-01-25 | 一种高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910074026.3A CN109816018A (zh) | 2019-01-25 | 2019-01-25 | 一种高光谱图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816018A true CN109816018A (zh) | 2019-05-28 |
Family
ID=66605110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910074026.3A Pending CN109816018A (zh) | 2019-01-25 | 2019-01-25 | 一种高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816018A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111595792A (zh) * | 2020-06-12 | 2020-08-28 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307071A1 (en) * | 2015-04-20 | 2016-10-20 | Xerox Corporation | Fisher vectors meet neural networks: a hybrid visual classification architecture |
CN107122708A (zh) * | 2017-03-17 | 2017-09-01 | 广东工业大学 | 基于卷积神经网络与超限学习机的高光谱图像分类算法 |
CN108197580A (zh) * | 2018-01-09 | 2018-06-22 | 吉林大学 | 一种基于3d卷积神经网络的手势识别方法 |
CN108872988A (zh) * | 2018-07-12 | 2018-11-23 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
-
2019
- 2019-01-25 CN CN201910074026.3A patent/CN109816018A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307071A1 (en) * | 2015-04-20 | 2016-10-20 | Xerox Corporation | Fisher vectors meet neural networks: a hybrid visual classification architecture |
CN107122708A (zh) * | 2017-03-17 | 2017-09-01 | 广东工业大学 | 基于卷积神经网络与超限学习机的高光谱图像分类算法 |
CN108197580A (zh) * | 2018-01-09 | 2018-06-22 | 吉林大学 | 一种基于3d卷积神经网络的手势识别方法 |
CN108872988A (zh) * | 2018-07-12 | 2018-11-23 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
Non-Patent Citations (1)
Title |
---|
谢卫莹: "高光谱遥感影像高精度分类方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111595792A (zh) * | 2020-06-12 | 2020-08-28 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
CN111595792B (zh) * | 2020-06-12 | 2023-07-25 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamal et al. | Depthwise separable convolution architectures for plant disease classification | |
Jiang et al. | Fusion of machine vision technology and AlexNet-CNNs deep learning network for the detection of postharvest apple pesticide residues | |
Ahila Priyadharshini et al. | Maize leaf disease classification using deep convolutional neural networks | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN104952050B (zh) | 基于区域分割的高光谱图像自适应解混方法 | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
CN104573729B (zh) | 一种基于核主成分分析网络的图像分类方法 | |
Metre et al. | An overview of the research on texture based plant leaf classification | |
CN105320965A (zh) | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 | |
Wang et al. | Fully contextual network for hyperspectral scene parsing | |
CN106023065A (zh) | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 | |
CN104298999B (zh) | 基于递归自动编码的高光谱特征学习方法 | |
Dollfus et al. | Fat neural network for recognition of position-normalised objects | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
Datta et al. | Unsupervised band extraction for hyperspectral images using clustering and kernel principal component analysis | |
Li et al. | Study on ensemble crop information extraction of remote sensing images based on SVM and BPNN | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
CN112926452A (zh) | 一种基于GCN和GRU增强U-Net特征的高光谱分类方法及系统 | |
CN114937173A (zh) | 一种基于动态图卷积网络的高光谱图像快速分类方法 | |
Xia et al. | Land resource use classification using deep learning in ecological remote sensing images | |
CN107169407A (zh) | 基于联合双边滤波与极限学习机的高光谱图像分类方法 | |
Yang et al. | An incipient fault diagnosis method based on Att-GCN for analogue circuits | |
CN112115961B (zh) | 一种基于稀疏图正则化的高光谱遥感影像分类方法 | |
CN109816018A (zh) | 一种高光谱图像分类方法 | |
Luo et al. | Wavelet-based extended morphological profile and deep autoencoder for hyperspectral image classification |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |
|
RJ01 | Rejection of invention patent application after publication |