CN110363078B - 一种基于ADMM-Net的高光谱图像分类方法及装置 - Google Patents
一种基于ADMM-Net的高光谱图像分类方法及装置 Download PDFInfo
- Publication number
- CN110363078B CN110363078B CN201910486531.9A CN201910486531A CN110363078B CN 110363078 B CN110363078 B CN 110363078B CN 201910486531 A CN201910486531 A CN 201910486531A CN 110363078 B CN110363078 B CN 110363078B
- Authority
- CN
- China
- Prior art keywords
- layer
- hyperspectral image
- sparse
- admm
- alpha
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000010426 asphalt Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011449 brick Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- CXENHBSYCFFKJS-OXYODPPFSA-N (Z,E)-alpha-farnesene Chemical compound CC(C)=CCC\C(C)=C\C\C=C(\C)C=C CXENHBSYCFFKJS-OXYODPPFSA-N 0.000 description 2
- 101000870363 Oryctolagus cuniculus Glutathione S-transferase Yc Proteins 0.000 description 2
- 241001466077 Salina Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 240000005160 Parkia speciosa Species 0.000 description 1
- 235000017333 Parkia speciosa Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种基于ADMM‑Net的高光谱图像分类方法及装置，首先，输入高光谱图像的采样数据及相应的参数，通过ADMM算法步骤可以得到一个分类结果。之后为了减小误差，采用反向传播法(BP)来计算相应的梯度，从而使得每一层的参数都可以得到更新，这样再次训练就可以得到误差较小的分类结果。在保证高光谱图像采样数据为小样本前提下，该方法明显提升了它的分类准确率(OA)，这对于后续应用高光谱图像进行分析具有重要的实际意义。
Description
技术领域
本公开涉及高光谱图像处理领域，利用稀疏表示的特性和ADMM算法对高光谱图像进行分类处理，具体涉及一种基于ADMM-Net的高光谱图像分类方法及装置。
背景技术
高光谱图像是通过探测地物电磁辐射强度获得的反映地表各种地物的综合影像，其包含着从可见光到近红外的几百个窄波段内获取的地物图像。随着遥感技术的提高，遥感图像中目标地物轮廓会更加清晰，纹理特征更加复杂，空间信息更加丰富。对高光谱图像进行分类，是其后续应有分析的基础。
高光谱图像分类的方法有很多，比如利用支持向量机进行分类，利用多个并行的支持向量机进行分类，在采样率比较低的情况下，分类准确率不高；基于稀疏表示的高光谱图像分类，需要选择相应的变换矩阵对高光谱图像进行投影变换，但计算所需要的时间很长。
因而需要一种同时考虑基于稀疏表示的高光谱图像分类和优化计算时间的算法，能够很好进行小样本下的高光谱图像分类。
发明内容
本公开提供一种基于ADMM-Net的高光谱图像分类方法及装置，运用优化算法更好地进行高光谱图像分类，利用基于ADMM算法的深层网络架构，进行稀疏向量最小化的逼近，提高分类效果。
为了实现上述目的，根据本公开的一方面，提供一种基于ADMM-Net的高光谱图像分类方法，所述方法包括以下步骤：
步骤1，获取与采样率相应的高光谱图像数据；
步骤2，设置全连接网络(ADMM-Net)的稀疏层参数的大小、非线性变换层参数的大小、乘数更新层参数的大小，网络的深度等参数；
步骤3，进行基于稀疏表示的高光谱图像分类，通过连接网络的前向网络，得到其分类后的结果，并与真实的结果做比较；
步骤4，利用反向传播法，更新稀疏层、非线性变换层、乘数更新层的参数；
步骤5，利用更新后的网络参数训练神经网络，得到分类后的结果；
步骤6，迭代执行步骤2到步骤5，迭代停止后得到精确的原始高光谱图像分类结果。
进一步地，在步骤1中，获取与采样率相应的高光谱图像数据的方法为：在matlab中设置采样率大小为γ，通过matlab在高光谱图像数据得到采样率大小为γ的图像(与采样率相应的高光谱图像数据)作为高光谱图像训练数据。
进一步地，在步骤1中，高光谱图像数据可通过公开网站进行下载(http://www.ehu.eus/ccwintco/index.php？title＝Hyperspectral_Remote_Sensing_Scences)，或来源于Indians Pines、Botswana、KSC、PaviaU、Salinas等高光谱图像数据集。
进一步地，在步骤2中，所述全连接网络包括稀疏层、非线性变换层、乘数更新层，全连接网络是属于稀疏表示的优化算法，其中，一个高光谱像素点可以表示成：x＝Dα；
求解非零的稀疏向量α，将问题转化为：其中，‖α‖0≤K0，K0指的是稀疏向量中非零个数；以上问题属于L0范数问题，即NP问题，难以求解，所以转化为L1范数问题，即
其中，‖x-Dα‖2≤σ，σ表示允许误差大小，一旦这个稀疏向量α求得，便可以得到一个像素点是属于哪一类，因此，/>就等价于：/> α-z＝0；
所述稀疏层定义为：引入辅助变量z∈RM×1，M是指稀疏向量的大小, 其增广拉格朗日函数为：Lα,z,y＝12x-Dα22+λz1-yz-α+ρ2z-α22；其中，y为拉格朗日乘子，ρ为惩罚参数，为简化起见，转化为以下形式：
其中，u＝y/ρ，稀疏层的输出节点为：α(n)＝(alphα)*(DTD+ρ(n)I)-1(DTx+ρ(n)z(n-1)-ρ(n)u(n-1))+(1-αlpha)*z(n-1)，其中，ρ(n)是可学习参数；在第一次迭代阶段(n＝1),z(0)和u(0)初始值为0，因此α(1)＝(alphα)*(DTD+ρ(1)I)-1(DTx)；其中，α为非零向量，一个高光谱像素点表示成x＝Dα,D是字典矩阵，α是稀疏非零向量，alphα为松驰因子，取值范围为(0，1)的小数；
所述非线性变换层定义为：非线性变换层是受ADMM算法启发的稀疏层输出节点的非线性转换,非线性变换层的输出节点为：z(n)：＝S(α(n)+u(n-1),η(n))，其中，S(·)是收缩函数，η(n)是可学习参数；
所述乘数更新层定义为：将ADMM算法中求解u(n)参数看成的一个层，在阶段n中,乘数更新层的输出节点为：u(n)：＝u(n-1)+τ(n)(α(n)-z(n))，τ(n)是可学习参数；
全连接网络是基于稀疏表示的一种优化网络，稀疏表示的核心问题是求解这个非零向量α，而一个高光谱像素点能表示成x＝Dα,D是字典矩阵，α是稀疏非零向量，网络的深度为。
进一步地，在步骤3中，进行基于稀疏表示的高光谱图像分类的方法为：通过计算非零的稀疏向量，其中，‖x-Dα‖2≤σ，/>表示得到最小化的稀疏向量，σ表示误差率，利用交替方向乘子法(ADMM)进行迭代，得到分类后的结果，并与真实的结果进行比较，得到损失大小。
进一步地，在步骤6中，迭代停止条件为满足了ADMM算法的收敛条件。
本发明还提供了一种基于ADMM-Net的高光谱图像分类装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
高光谱图像采集单元，用于获取与采样率相应的高光谱图像数据；
网络参数设置单元，用于设置全连接网络的稀疏层参数的大小、非线性变换层参数的大小、乘数更新层参数的大小，网络的深度等参数；
高光谱图像分类单元，用于进行基于稀疏表示的高光谱图像分类，通过连接网络的前向网络，得到其分类后的结果，并与真实的结果做比较；
参数更新单元，用于利用反向传播法，更新稀疏层、非线性变换层、乘数更新层的参数；
神经网络训练单元，用于利用更新后的网络参数训练神经网络，得到分类后的结果；
迭代分类单元，用于迭代执行网络参数设置单元到神经网络训练单元，迭代停止后得到精确的原始高光谱图像分类结果。
本公开的有益效果为：本发明公开了一种基于交替方向乘子法(ADMM)深层网络架构下的高光谱图像分类方法，首先，输入高光谱图像的采样数据及相应的参数，通过ADMM算法步骤可以得到一个分类结果。之后为了减小误差，采用反向传播法(BP)来计算相应的梯度，从而使得每一层的参数都可以得到更新，这样再次训练就可以得到误差较小的分类结果。在保证高光谱图像采样数据为小样本前提下，该方法明显提升了它的分类准确率(OA)，这对于后续应用高光谱图像进行分析具有重要的实际意义。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种基于ADMM-Net的高光谱图像分类方法的步骤图；
图2所示为基于ADMM-Net的高光谱图像分类流程图；
图3所示为测试原始高光谱图像第1波段的图像；
图4所示为测试原始高光谱图像第11波段的图像；
图5所示为测试原始高光谱图像第21波段的图像；
图6所示为采样率为0.01时得到的分类结果图；
图7所示为一种基于ADMM-Net的高光谱图像分类装置结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种基于ADMM-Net的高光谱图像分类方法的步骤图，图2所示为基于ADMM-Net的高光谱图像分类流程图，下面结合图1和图2来阐述根据本公开的实施方式的一种基于ADMM-Net的高光谱图像分类方法。
本公开提出一种基于ADMM-Net的高光谱图像分类方法，具体包括以下步骤：
步骤1，设置好采样率大小γ，得到采样率大小为γ的高光谱图像训练数据，其余高光谱图像数据用作测试；
步骤2，设置全连接网络(ADMM-Net)的稀疏层参数的大小ρ、非线性变换层参数的大小η、乘数更新层的大小τ，网络的深度n；
步骤3，进行基于稀疏表示的高光谱图像分类；
步骤4，设置好全连接网络的损失函数L，利用反向传播法，通过计算全连接网络中每一层的梯度，进而可以更新每一层的参数大小；
步骤5，利用更新好的每一层的网络参数，再去训练前向网络，就可以得到误差较小的分类结果；
步骤6，如果不满足ADMM算法的收敛条件，则重复执行步骤2到步骤5；如果满足ADMM算法的收敛条件，则迭代停止并输出最终的高光谱图像分类结果。
进一步地，在步骤1中，获取与采样率相应的高光谱图像数据的方法为：在matlab中设置采样率大小为γ，通过matlab在高光谱图像数据得到采样率大小为γ的图像(与采样率相应的高光谱图像数据)作为高光谱图像训练数据。
进一步地，在步骤1中，高光谱图像数据可通过公开网站进行下载(http://www.ehu.eus/ccwintco/index.php？title＝Hyperspectral_Remote_Sensing_Scences)，或来源于Indians Pines、Botswana、KSC、PaviaU、Salinas等高光谱图像数据集。
进一步地，在步骤2中，所述全连接网络包括稀疏层、非线性变换层、乘数更新层，全连接网络是属于稀疏表示的优化算法，其中，一个高光谱像素点可以表示成：x＝Dα；
求解非零的稀疏向量α，将问题转化为：其中，‖α‖0≤K0，K0指的是稀疏向量中非零个数；以上问题属于L0范数问题，即NP问题，难以求解，所以转化为L1范数问题，即
其中，‖x-Dα‖2≤σ，σ表示允许误差大小，一旦这个稀疏向量α求得，便可以得到一个像素点是属于哪一类，因此/>就等价于：/> α-z＝0；
所述稀疏层定义为：引入辅助变量z∈RM×1，M是指稀疏向量的大小, 其增广拉格朗日函数为：Lα,z,y＝12x-Dα22+λz1-yz-α+ρ2z-α22；其中，y为拉格朗日乘子，ρ为惩罚参数，为简化起见，转化为以下形式：
其中，u＝y/ρ，稀疏层的输出节点为：α(n)＝(alphα)*(DTD+ρ(n)I)-1(DTx+ρ(n)z(n-1)-ρ(n)u(n-1))+(1-αlpha)*z(n-1)，其中，ρ(n)是可学习参数；在第一次迭代阶段(n＝1),z(0)和u(0)初始值为0，因此α(1)＝(alphα)*(DTD+ρ(1)I)-1(DTx)；其中，α为非零向量，一个高光谱像素点表示成x＝Dα,D是字典矩阵，α是稀疏非零向量，alphα为松驰因子，取值范围为(0，1)的小数；
所述非线性变换层定义为：非线性变换层是受ADMM算法启发的稀疏层输出节点的非线性转换,非线性变换层的输出节点为：z(n)：＝S(α(n)+u(n-1),η(n))，其中，S(·)是收缩函数，η(n)是可学习参数；
所述乘数更新层定义为：将ADMM算法中求解u(n)参数看成的一个层，在阶段n中,乘数更新层的输出节点为：u(n)：＝u(n-1)+τ(n)(α(n)-z(n))，τ(n)是可学习参数；
全连接网络是基于稀疏表示的一种优化网络，稀疏表示的核心问题是求解这个非零向量α，而一个高光谱像素点能表示成x＝Dα,D是字典矩阵，α是稀疏非零向量，网络的深度为。
进一步地，在步骤3中，进行基于稀疏表示的高光谱图像分类的方法为：通过计算非零的稀疏向量，其中，‖x-Dα‖2≤σ，/>表示得到最小化的稀疏向量，σ表示误差率，利用交替方向乘子法(ADMM)进行迭代，得到分类后的结果，并与真实的结果进行比较，得到损失大小。
如图3为测试原始高光谱图像第1波段的图像、图4为测试原始高光谱图像第11波段的图像、图5为测试原始高光谱图像第21波段的图像，即图3、图4、图5所示为测试原始高光谱图像。
本发明的一种优选的实施例，设置采样率为0.01，结果如图6所示为采样率为0.01时得到的分类的结果图，在采样率为0.01时得到的分类结果如表1所示：
表1是采样率为0.01时得到的分类结果
| OA | kappa | AA |
| 0.7710 | 0.6865 | 0.6903 |
表2为帕维亚大学(Pavia University)公开的高光谱图像的分类结果，其中高光谱图像包括：沥青质路面(Asphalt)、草地(Meadows)、砾石(Gravel)、树(Trees)、涂漆金属板(Painted metal sheets)、裸露土壤(Bare Soil)、沥青路面(Bitumen)、自封砖(Self-Blocking Bricks)、阴影(Shadows)。
表2帕维亚大学公开的高光谱图像的分类结果的分类结果
| 类别 | Pavia University | CA |
| 1 | Asphalt | 0.7686 |
| 2 | Meadows | 0.9464 |
| 3 | Gravel | 0.5368 |
| 4 | Trees | 0.7592 |
| 5 | Painted metal sheets | 0.9876 |
| 6 | Bare Soil | 0.2863 |
| 7 | Bitumen | 0.5196 |
| 8 | Self-Blocking Bricks | 0.7271 |
| 9 | Shadows | 0.6808 |
本公开的实施例提供的一种基于ADMM-Net的高光谱图像分类装置，如图7所示为本公开的一种基于ADMM-Net的高光谱图像分类装置图，该实施例的一种基于ADMM-Net的高光谱图像分类装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于ADMM-Net的高光谱图像分类装置实施例中的步骤。
所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
高光谱图像采集单元，用于获取与采样率相应的高光谱图像数据；
网络参数设置单元，用于设置全连接网络的稀疏层参数的大小、非线性变换层参数的大小、乘数更新层参数的大小，网络的深度等参数；
高光谱图像分类单元，用于进行基于稀疏表示的高光谱图像分类，通过连接网络的前向网络，得到其分类后的结果，并与真实的结果做比较；
参数更新单元，用于利用反向传播法，更新稀疏层、非线性变换层、乘数更新层的参数；
神经网络训练单元，用于利用更新后的网络参数训练神经网络，得到分类后的结果；
迭代分类单元，用于迭代执行网络参数设置单元到神经网络训练单元，迭代停止后得到精确的原始高光谱图像分类结果。
所述一种基于ADMM-Net的高光谱图像分类装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于ADMM-Net的高光谱图像分类装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于ADMM-Net的高光谱图像分类装置的示例，并不构成对一种基于ADMM-Net的高光谱图像分类装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于ADMM-Net的高光谱图像分类装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于ADMM-Net的高光谱图像分类装置运行装置的控制中心，利用各种接口和线路连接整个一种基于ADMM-Net的高光谱图像分类装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于ADMM-Net的高光谱图像分类装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (2)
1.一种基于ADMM-Net的高光谱图像分类方法，其特征在于，所述方法包括以下步骤：
步骤1，获取与采样率相应的高光谱图像数据；
步骤2，设置全连接网络ADMM-Net的稀疏层参数的大小为ρ、非线性变换层参数的大小为η、乘数更新层的大小为τ和网络的深度为n；
步骤3，进行基于稀疏表示的高光谱图像分类；
步骤4，设置全连接网络的损失函数L，利用反向传播法，通过计算全连接网络中每一层的梯度，进而更新每一层的参数大小；
步骤5，利用更新后的每一层的网络参数，再去训练前向网络，得到误差较小的分类结果；
步骤6，如果不满足ADMM算法的收敛条件，则重复执行步骤2到步骤5；如果满足ADMM算法的收敛条件，则迭代停止并输出最终的高光谱图像分类结果；
在步骤2中，所述全连接网络包括稀疏层、非线性变换层、乘数更新层，全连接网络是基于稀疏表示的优化算法，其中，一个高光谱像素点表示成：x＝Dα，D是字典矩阵，α是非零的稀疏向量，稀疏表示的核心问题是求解非零的稀疏向量α；
求解非零的稀疏向量α，将问题转化为：其中，||α||0≤K0，K0为稀疏向量α中的非零个数，转化为/>其中，||x-Dα||2≤σ，σ表示允许误差大小，则/>等价于：/> α-z＝0；
所述稀疏层定义为：引入辅助变量z∈RM×1，其增广拉格朗日函数为：/>其中，y为拉格朗日乘子，ρ为惩罚参数，M为稀疏向量α的大小，转化为以下形式：
其中，u＝y/ρ，稀疏层的输出节点为：α(n)＝(alpha)*(DTD+ρ(n)I)-1(DTx+ρ(n)z(n-1)-ρ(n)u(n-1))+(1-alpha)*z(n-1)，其中，ρ(n)是可学习参数；在第一次迭代阶段，n＝1，n为迭代次数，z(0)和u(0)初始值为0，因此α(1)＝(alpha)*(DTD+ρ(1)I)-1(DTx)，alpha为松驰因子；
所述非线性变换层定义为：非线性变换层的输出节点为：z(n)＝S(α(n)+u(n-1)，η(n))，其中，S(·)是收缩函数，η(n)是可学习参数；
所述乘数更新层定义为：在阶段n中，乘数更新层的输出节点为：u(n)＝u(n-1)+τ(n)(α(n)-z(n))，τ(n)是可学习参数；
在步骤1中，获取与采样率相应的高光谱图像数据的方法为：在matlab中设置采样率大小为γ，通过matlab在高光谱图像数据得到采样率大小为γ的图像作为高光谱图像训练数据；
在步骤3中，进行基于稀疏表示的高光谱图像分类的方法为：通过 计算非零的稀疏向量，其中，||x-Dα||2≤σ，/>表示得到最小化的稀疏向量，σ表示误差率，利用交替方向乘子法ADMM进行迭代，得到分类后的结果，并与真实的结果进行比较，得到损失大小。
2.一种基于ADMM-Net的高光谱图像分类装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现如权利要求1所述的基于ADMM-Net的高光谱图像分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910486531.9A CN110363078B (zh) | 2019-06-05 | 2019-06-05 | 一种基于ADMM-Net的高光谱图像分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910486531.9A CN110363078B (zh) | 2019-06-05 | 2019-06-05 | 一种基于ADMM-Net的高光谱图像分类方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110363078A CN110363078A (zh) | 2019-10-22 |
| CN110363078B true CN110363078B (zh) | 2023-08-04 |
Family
ID=68215686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910486531.9A Active CN110363078B (zh) | 2019-06-05 | 2019-06-05 | 一种基于ADMM-Net的高光谱图像分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363078B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761742B (zh) * | 2014-01-24 | 2016-05-25 | 武汉大学 | 一种基于同质指数的高光谱遥感图像稀疏解混方法 |
| CN106557782B (zh) * | 2016-11-22 | 2021-01-29 | 青岛理工大学 | 基于类字典的高光谱图像分类方法及装置 |
| CN106815601B (zh) * | 2017-01-10 | 2019-10-11 | 西安电子科技大学 | 基于递归神经网络的高光谱图像分类方法 |
| CN108734199B (zh) * | 2018-04-24 | 2021-09-07 | 西北工业大学 | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 |
| CN109683161B (zh) * | 2018-12-20 | 2023-09-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
-
2019
- 2019-06-05 CN CN201910486531.9A patent/CN110363078B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110363078A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7163504B2 (ja) | 画像処理方法並びにその、装置、コンピュータプログラム及び電子機器 | |
| CN112052755B (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
| Sahoo et al. | Image thresholding using two-dimensional Tsallis–Havrda–Charvát entropy | |
| CN109754078A (zh) | 用于优化神经网络的方法 | |
| CN109545072B (zh) | 地图构建的位姿计算方法、装置、存储介质和系统 | |
| WO2020168648A1 (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
| Cong et al. | Image segmentation algorithm based on superpixel clustering | |
| KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
| CN111860398A (zh) | 遥感图像目标检测方法、系统及终端设备 | |
| CN105184314B (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
| Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
| CN112906756A (zh) | 一种跨通道数量迁移学习的高图像分类方法及系统 | |
| CN112529068B (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
| Li et al. | FPGA implementation of a maximum simplex volume algorithm for endmember extraction from remotely sensed hyperspectral images | |
| CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
| Jin et al. | A new poisson noise filter based on weights optimization | |
| CN106951918B (zh) | 一种用于冷冻电镜分析的单颗粒图像聚类方法 | |
| CN110363078B (zh) | 一种基于ADMM-Net的高光谱图像分类方法及装置 | |
| Sahani et al. | FPGA‐based favourite skin colour restoration using improved histogram equalization with variable enhancement degree and ensemble extreme learning machine | |
| Li et al. | Joint spectral-spatial hyperspectral image classification based on hierarchical subspace switch ensemble learning algorithm | |
| Zha et al. | ENGD-BiFPN: A remote sensing object detection model based on grouped deformable convolution for power transmission towers | |
| CN114998630B (zh) | 一种从粗到精的地对空图像配准方法 | |
| CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
| CN106504259B (zh) | 一种多尺度的图像分割方法 | |
| US20220318950A1 (en) | Video enhancement method and apparatus, and electronic device and storage medium |
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 |
Effective date of registration: 20230629 Address after: 523000 Building 12, No. 6, Shangsha Zhongnan Road, Chang'an Town, Dongguan City, Guangdong Province Applicant after: Guangdong Samson Technology Co.,Ltd. Address before: 515063 Shantou University, Daxue Road, Shantou City, Guangdong Province Applicant before: SHANTOU University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |