CN112560894A - 一种改进型3d卷积网络高光谱遥感影像分类方法及装置 - Google Patents

一种改进型3d卷积网络高光谱遥感影像分类方法及装置 Download PDF

Info

Publication number
CN112560894A
CN112560894A CN202011276561.6A CN202011276561A CN112560894A CN 112560894 A CN112560894 A CN 112560894A CN 202011276561 A CN202011276561 A CN 202011276561A CN 112560894 A CN112560894 A CN 112560894A
Authority
CN
China
Prior art keywords
layer
remote sensing
hyperspectral remote
image
sensing image
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
Application number
CN202011276561.6A
Other languages
English (en)
Inventor
姜益民
罗冷坤
洪勇
程志超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Optics Valley Information Technology Co ltd
Original Assignee
Wuhan Optics Valley Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Optics Valley Information Technology Co ltd filed Critical Wuhan Optics Valley Information Technology Co ltd
Priority to CN202011276561.6A priority Critical patent/CN112560894A/zh
Publication of CN112560894A publication Critical patent/CN112560894A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种改进型3D卷积网络高光谱遥感影像分类方法及装置，首先根据基于标准分数的评价指标从高光谱影像中选取若干个质量更好的波段实现对高光谱遥感影像的降维处理，然后从降维后的影像中提取以待分类的图像块并相应构建了3D卷积神经网络对图像块进行分类。通过降维处理降低了模型的计算量，同时使用特征选择的方法有效地避免了降维处理导致的信息的缺失和损毁。对降维后的高光谱遥感影像使用合适的方式切割，同时采用双卷积池化结构来进行分类，参数量更小，网络结构更为精简，从而达到减少模型参数，降低模型计算量的作用。

Description

一种改进型3D卷积网络高光谱遥感影像分类方法及装置
技术领域
本发明涉及遥感技术领域，具体涉及一种改进型3D卷积网络高光谱遥感影像分类方法及装置。
背景技术
高光谱遥感影像数据是一个包含光谱和空间信息的数据立方体，能够获取地表物体上百个连续谱段的信息，提供丰富的光谱信息来增强对地物的区分能力。高光谱遥感影像分类是给影像中的每个像元赋予唯一的类别标识，传统的高光谱分类方法大多是基于数理统计的，例如最大似然分类，而随着机器学习的发展，更多地会选择使用支持向量机来对高光谱影像进行分类。而近年来，基于深度学习的图像分类成为了研究热点，深度学习的方法也被应用到了高光谱遥感影像分类中，例如卷积神经网络模型。
由于光谱的高维特性、信息冗余和地表覆盖的同物异谱及同谱异物现象，导致高光谱数据结构呈高度非线性，基于统计模式识别的分类模型难以直接对原始高光谱数据进行分类识别，且参与监督学习的训练样本十分有限，造成分类精度随着特征维数上升而下降。针对高光谱遥感影像分类问题，既要考虑分类模型的有效性，也要充分利用丰富的空间和光谱信息。目前在对高光谱遥感影像分类时更多的则是利用深度卷积网络（这里指的是二维卷积网络，以下统称CNN）模型来进行分类，其利用CNN的局部感知、权值共享等特性，从而大大减少了模型的参数和降低了训练的难度，进一步提高了分类的性能。但CNN需要将空间和光谱信息分开提取，未能充分利用高光谱遥感影像所有波段的信息，而3D卷积神经网络应用于高光谱遥感影像分类时能够提取空间-光谱的深层特征，同时还加入了虚拟样本解决了样本匮乏的问题，但3D卷积神经网络卷积层参数较多，增加了模型的计算量。另一方面，在对高光谱遥感影像进行分类时需要对高光谱遥感影像做一定的图像处理，提取出其中的光谱信息和空间信息，而在处理的过程中，去除数据冗杂是必不可少的一步，即对高光谱遥感影像做降维处理，常见的降维方法有主成分分析方法、独立成本分析方法和特征选择方法。同时在对高光谱遥感影像做降维处理时很有可能因为方法不当而导致信息的缺失与损毁，通过使用特征选择方法来选取质量更好的波段能够有效地减少网络卷积层的参数，降低了模型的计算量，也能够尽可能地避免降维处理时所导致的高光谱数据的信息缺失与损毁。
纵观上述，首先对高光谱遥感影像做降维处理，通过特征选择的方法选取质量更高的波段，然后对降维后的影像使用3D卷积神经网络进行分类能够更加有效地利用高光谱遥感影像的光谱信息和空间信息，获取到更好的分类结果。
发明内容
本发明针对现有技术中存在的技术问题，提供一种改进型3D卷积网络高光谱遥感影像分类方法及装置，首先根据基于标准分数的评价指标从高光谱影像中选取若干个质量更好的波段实现对高光谱遥感影像的降维处理，然后从降维后的影像中提取以待分类的图像块并相应构建了3D卷积神经网络对图像块进行分类。
作为本发明的第一方面，本发明提供一种改进型3D卷积网络高光谱遥感影像分类方法，包括以下步骤：
计算高光谱遥感影像中所有波段样本点的标准分数总和，进行评价和排序，从排序中选取质量更好的多个波段以实现降维处理；
对降维后的影像数据进行切割处理；
将切割处理所获取的影像块作为改进型3D卷积神经网络结构的输入，完成对高光谱遥感影像的分类预测；
所述改进型3D卷积神经网络结构分为两部分，第一部分包含一层输入层，三层双卷积池化结构，每层卷积层后连接一个BN层、激励操作层、池化层；第二部分包含一层全连接层，一层softmax分类层，在全连接层后连接一个BN层、一个激励操作层和一个Dropout层。
进一步的，所述的标准分数的计算公式如下：
Figure 793175DEST_PATH_IMAGE001
式中，
Figure 570638DEST_PATH_IMAGE002
为标准分数，
Figure 785718DEST_PATH_IMAGE003
为具体分数，
Figure 15842DEST_PATH_IMAGE004
为分数平均数，
Figure 341782DEST_PATH_IMAGE005
为分数标准差；
某一波段的标准分数总和的计算方法如下：
Figure 3445DEST_PATH_IMAGE006
式中，
Figure 592689DEST_PATH_IMAGE007
表示第
Figure 841268DEST_PATH_IMAGE008
类第
Figure 970898DEST_PATH_IMAGE009
个波段的所有像素点，
Figure 457374DEST_PATH_IMAGE010
表示第
Figure 14257DEST_PATH_IMAGE008
类的 像素个数，
Figure 446070DEST_PATH_IMAGE011
表示求平均值操作，
Figure 379391DEST_PATH_IMAGE012
表示求标准差操作，
Figure 720374DEST_PATH_IMAGE013
表示求和操作。
进一步的，所述的对降维后的影像数据进行切割处理，包括：
所述高光谱遥感影像数据包括图像数据和与所述图像数据对应的标签数据；
采用滑窗切割方式，分别对图像数据和标签数据进行切割，得到影像块：
将图像数据切割成相邻的大小为
Figure 182579DEST_PATH_IMAGE014
的图像块，切割后的图像块的维度为
Figure 671329DEST_PATH_IMAGE015
,
Figure 47822DEST_PATH_IMAGE016
为降维处理后影像的波段数；
将标签数据切割成相邻的大小为
Figure 40049DEST_PATH_IMAGE014
的标签块，切割后的标签块的维度为
Figure 204314DEST_PATH_IMAGE017
；
一个所述影像块包括一个图像块以及与其对应的标签块。
进一步的，所述激励操作层采用ReLU激活函数进行激励操作，池化层采用最大池化。
进一步的，在所述改进型3D卷积神经网络结构中，神经元在
Figure 118043DEST_PATH_IMAGE018
的值为：
Figure 862008DEST_PATH_IMAGE019
其中
Figure 239900DEST_PATH_IMAGE020
表示第
Figure 745705DEST_PATH_IMAGE020
层神经元，
Figure 209048DEST_PATH_IMAGE021
表示第
Figure 959966DEST_PATH_IMAGE022
个特征图，
Figure 926785DEST_PATH_IMAGE023
和
Figure 432853DEST_PATH_IMAGE024
是卷积核的高和宽，
Figure 554130DEST_PATH_IMAGE025
是卷积核沿着光谱维度的维数大小，
Figure 171056DEST_PATH_IMAGE026
表示与前一层中连接的特征个数，与每层的特征维 度相关；
Figure 461223DEST_PATH_IMAGE027
是与第
Figure 872613DEST_PATH_IMAGE026
个特征中第
Figure 982652DEST_PATH_IMAGE028
个神经元连接的权重，
Figure 137689DEST_PATH_IMAGE029
为神经元在第
Figure 786757DEST_PATH_IMAGE020
层 神经元上第
Figure 369048DEST_PATH_IMAGE030
个特征图的偏差值；
Figure 28700DEST_PATH_IMAGE031
是激活函数，采用ReLU激活函数。
作为本发明的第二方面，本发明提供一种改进型3D卷积网络高光谱遥感影像分类装置，包括：
降维处理模块，用于计算高光谱遥感影像中所有波段样本点的标准分数总和，进行评价和排序，从排序中选取质量更好的多个波段以实现降维处理；
切割处理模块，用于对降维后的影像数据进行切割处理；
分类预测模块，用于将切割处理所获取的影像块作为改进型3D卷积神经网络结构的输入，完成对高光谱遥感影像的分类预测；
所述改进型3D卷积神经网络结构分为两部分，第一部分包含一层输入层，三层双卷积池化结构，每层卷积层后连接一个BN层、激励操作层、池化层；第二部分包含一层全连接层，一层softmax分类层，在全连接层后连接一个BN层、一个激励操作层和一个Dropout层。
作为本发明的第三方面，本发明提供一种电子设备，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现本发明第一方面所述的一种改进型3D卷积网络高光谱遥感影像分类方法。
作为本发明的第四方面，本发明提供一种非暂态计算机可读存储介质，该存储介质中存储有用于实现本发明第一方面所述的一种改进型3D卷积网络高光谱遥感影像分类方法。
本发明的有益效果是：1、针对使用卷积神经网络对高光谱遥感影像分类时未能充分利用高光谱遥感影像的空间信息和光谱信息的问题，本发明提出了一种改进型3D卷积神经网络模型来对高光谱遥感影像进行分类，将高光谱遥感影像作为一个包含光谱和空间信息的三维立方体，利用在对多维数据分类处理时表现出良好特性的3D卷积网络来进行分类；
2、针对由于高光谱遥感影像中大量的数据冗余导致的3D卷积神经网络卷积层参数过多，模型计算量较大的问题，本发明提出在对高光谱遥感数据进行分类前使用特征选择的方法来选取质量更好的波段以实现降维的目的，从而降低了模型的计算量。同时使用特征选择的方法有效地避免了降维处理导致的信息的缺失和损毁；
3、针对由于高光谱遥感影像数据本身的多维特征导致的3D卷积神经网络卷积层参数过多，模型计算量较大的问题，本发明提出在对降维后的高光谱遥感影像使用合适的方式切割，同时采用双卷积池化结构来进行分类，参数量更小，网络结构更为精简，从而达到减少模型参数，降低模型计算量的作用。
附图说明
图1为本发明实施例提供的一种改进型3D卷积网络高光谱遥感影像分类方法流程图；
图2为本发明实施例提供的改进型3D卷积神经网络架构图；
图3为本发明实施例提供的高光谱遥感影像测试数据图；
图4为本发明实施例提供的3D卷积神经网络模型预测图；
图5为本发明实施例提供的测试数据原始标签图；
图6为本发明实施例提供的支持向量机预测图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例1
如图1所示，本发明实施例提供一种改进型3D卷积网络高光谱遥感影像分类方法，包括以下步骤：
步骤1，计算高光谱遥感影像中所有波段样本点的标准分数总和，进行评价和排序，从排序中选取质量更好的多个波段以实现降维处理；
为保留高光谱遥感影像最原始的光谱信息和空间信息，通过选取质量更好的波段来实现降维处理。而评价波段的好坏需要遵循一种或多种评价指标。标准分数是一种不受原始测量单位影响的数值，使得能够对高光谱遥感影像中不能直接比较的各种不同单位的数据进行比较。
标准分数的计算公式为：
Figure 925112DEST_PATH_IMAGE001
式中，
Figure 455450DEST_PATH_IMAGE002
为标准分数，
Figure 474222DEST_PATH_IMAGE003
为具体分数，
Figure 57388DEST_PATH_IMAGE004
为分数平均数，
Figure 554228DEST_PATH_IMAGE005
为分数标准差；
某一波段的标准分数总和的计算方法如下：
Figure 470231DEST_PATH_IMAGE006
式中，
Figure 332008DEST_PATH_IMAGE007
表示第
Figure 700673DEST_PATH_IMAGE008
类第
Figure 1204DEST_PATH_IMAGE009
个波段的所有像素点，
Figure 473511DEST_PATH_IMAGE010
表示第
Figure 302927DEST_PATH_IMAGE008
类的 像素个数，
Figure 424467DEST_PATH_IMAGE011
表示求平均值操作，
Figure 466372DEST_PATH_IMAGE012
表示求标准差操作，
Figure 91389DEST_PATH_IMAGE013
表示求和操作。
使用统计方法计算不同波段样本点的标准分数总和，通过标准分数总和的高低对所有波段的质量进行评价和排序，并选取15个质量最好的波段，实现降维操作；
步骤2，对降维后的影像数据进行切割处理；
高光谱遥感影像的尺寸往往太大，而不适合直接放到卷积神经网络结构中，需要 将影像切割成尺寸较小的图像块再放到卷积神经网络中。本发明中采用的是滑窗切割的方 式，将高光谱遥感影像切割成相邻的大小为19×19的图像块，切割后的图像块的维度为19 ×19×15
Figure 59082DEST_PATH_IMAGE032
，并以同样的方式切割相对应的标签，切割后的标签块的维度为19× 19×1
Figure 402339DEST_PATH_IMAGE033
，然后将切割后的图像块和标签块按照2:8的比例制作成训练集和验证 集；
步骤3，将切割处理所获取的影像块作为改进型3D卷积神经网络结构的输入，完成对高光谱遥感影像的分类预测；
所述改进型3D卷积神经网络结构分为两部分，第一部分包含一层输入层，三层双卷积池化结构，每层卷积层后连接一个BN层、激励操作层、池化层；第二部分包含一层全连接层，一层softmax分类层，在全连接层后连接一个BN层、一个激励操作层和一个Dropout层。
切割后的图像块维度为19×19×15，传统的卷积神经网络无法有效利用影像块每 个维度的信息，而在3D卷积神经网络中，每个维度的信息都会作为神经网络的输入。在本发 明提出的神经网络结构中，神经元在
Figure 247935DEST_PATH_IMAGE018
的值为：
Figure 993037DEST_PATH_IMAGE019
其中
Figure 429835DEST_PATH_IMAGE020
表示第
Figure 198071DEST_PATH_IMAGE020
层神经元，
Figure 160209DEST_PATH_IMAGE021
表示第
Figure 697501DEST_PATH_IMAGE022
个特征图，
Figure 570779DEST_PATH_IMAGE023
和
Figure 623048DEST_PATH_IMAGE024
是卷积核的高和宽，
Figure 544868DEST_PATH_IMAGE025
是卷积核沿着光谱维度的维数大小，
Figure 264562DEST_PATH_IMAGE026
表示与前一层中连接的特征个数，与每层的特征维 度相关；
Figure 744960DEST_PATH_IMAGE027
是与第
Figure 550105DEST_PATH_IMAGE026
个特征中第
Figure 275615DEST_PATH_IMAGE028
个神经元连接的权重，
Figure 849816DEST_PATH_IMAGE029
为神经元在第
Figure 799318DEST_PATH_IMAGE020
层 神经元上第
Figure 560600DEST_PATH_IMAGE030
个特征图的偏差值；
Figure 588337DEST_PATH_IMAGE031
是激活函数，采用ReLU激活函数。
ReLU激活函数的形式为
Figure 17044DEST_PATH_IMAGE034
Figure 340709DEST_PATH_IMAGE035
，ReLU激活函数比 Sigmoid函数和tanh函数收敛速度更快。如附图2所示：模型的输入图像尺寸为19×19×15， 构造3层双卷积池化层，第一层卷积设置为5×1×1的步幅，每层卷积的卷积滤波器的尺寸 均为3×3×3，每层卷积层后都连接一个BN层和一个ReLU激活函数。每个双卷积层中的的过 滤器数量依次为16、32、64，在每个双卷积层后连接一个最大池化层，三层双卷积之后再进 行一次平坦化处理，然后是一个全连接层，全连接层后连接一个BN层和一个ReLU激活函数， 同时使用一个Dropout层，防止模型过拟合，最后将全连接层的输出加上一个softmax分类 器进行分类。在模型训练完成后使用训练好的模型预测一块如附图3所示的尺寸为345× 345的高光谱遥感影像，预测结果如附图4所示，该高光谱遥感影像原始标签如附图5所示。 将3D卷积神经网络模型预测出的结果与原始标签做比较。
对比验证：
使用在高光谱遥感影像分类上有这广泛应用的支持向量机对上述高光谱遥感影像进行分类和预测，其中使用径向基核函数（RBF），gamma系数为0.125，惩罚系数为16，预测结果如附图6所示。将支持向量机分类预测出的结果与原始标签做比较，同时验证3D卷积神经网络模型预测的效果。
为了进一步验证本发明方法的性能，以Indian Pines数据集为例，将原始高光谱遥感影像相邻切割成尺寸为19×19的图像构成数据集，取20%数据作为训练数据，剩下80%作为校验数据。
1）实验环境
实验环境在win10系统下，采用深度学习框架Keras来搭建3D卷积神经网络，在实验中，为了提高实验网络的训练速度，硬件上采用NVIDIA2080Ti显卡，采用GPU并行计算模式来进行模型的训练。
2）实验结果
为了验证改进型3D卷积神经网络在高光谱遥感影像上的分类有效性，将改进型3D卷积神经网络模型预测出的分类结果（附图4）、支持向量机分类预测出的结果（附图6）、Indian Pines数据集原始标签（附图5）三者做对比算例，可以看出改进型3D卷积神经网络能够做到很好的分类效果，同时还能避免类似支持向量机分类时产生的误分类问题，得以验证。
1、对比现有技术，本发明针对使用卷积神经网络对高光谱遥感影像分类时未能充分利用高光谱遥感影像的空间信息和光谱信息的问题，本发明提出了一种改进型3D卷积神经网络模型来对高光谱遥感影像进行分类，将高光谱遥感影像作为一个包含光谱和空间信息的三维立方体，利用在对多维数据分类处理时表现出良好特性的3D卷积网络来进行分类；
2、针对由于高光谱遥感影像中大量的数据冗余导致的3D卷积神经网络卷积层参数过多，模型计算量较大的问题，本发明提出在对高光谱遥感数据进行分类前使用特征选择的方法来选取质量更好的波段以实现降维的目的，从而降低了模型的计算量。同时使用特征选择的方法有效地避免了降维处理导致的信息的缺失和损毁；
3、针对由于高光谱遥感影像数据本身的多维特征导致的3D卷积神经网络卷积层参数过多，模型计算量较大的问题，本发明提出在对降维后的高光谱遥感影像使用合适的方式切割，同时采用双卷积池化结构来进行分类，参数量更小，网络结构更为精简，从而达到减少模型参数，降低模型计算量的作用。
实施例2
本发明实施例提供一种电子设备，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现一种改进型3D卷积网络高光谱遥感影像分类装置，并通过该装置完成实施例1所公开的一种改进型3D卷积网络高光谱遥感影像分类方法。该装置包括：降维处理模块，用于计算高光谱遥感影像中所有波段样本点的标准分数总和，进行评价和排序，从排序中选取质量更好的多个波段以实现降维处理；
切割处理模块，用于对降维后的影像数据进行切割处理；
分类预测模块，用于将切割处理所获取的影像块作为改进型3D卷积神经网络结构的输入，完成对高光谱遥感影像的分类预测；
所述改进型3D卷积神经网络结构分为两部分，第一部分包含一层输入层，三层双卷积池化结构，每层卷积层后连接一个BN层、激励操作层、池化层；第二部分包含一层全连接层，一层softmax分类层，在全连接层后连接一个BN层、一个激励操作层和一个Dropout层。
同时还需说明的是，计算机软件程序中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种改进型3D卷积网络高光谱遥感影像分类方法，其特征在于，包括以下步骤：
计算高光谱遥感影像中所有波段样本点的标准分数总和，进行评价和排序，从排序中选取质量更好的多个波段以实现降维处理；
对降维后的影像数据进行切割处理；
将切割处理所获取的影像块作为改进型3D卷积神经网络结构的输入，完成对高光谱遥感影像的分类预测；
所述改进型3D卷积神经网络结构分为两部分，第一部分包含一层输入层，三层双卷积池化结构，每层卷积层后连接一个BN层、激励操作层、池化层；第二部分包含一层全连接层，一层softmax分类层，在全连接层后连接一个BN层、一个激励操作层和一个Dropout层。
2.根据权利要求1所述的方法，其特征在于，所述的标准分数的计算公式如下：
Figure 723054DEST_PATH_IMAGE001
式中，
Figure 809959DEST_PATH_IMAGE002
为标准分数，
Figure 424611DEST_PATH_IMAGE003
为具体分数，
Figure 331387DEST_PATH_IMAGE004
为分数平均数，
Figure 244680DEST_PATH_IMAGE005
为分数标准差；
某一波段的标准分数总和的计算方法如下：
Figure 123774DEST_PATH_IMAGE006
式中，
Figure 971645DEST_PATH_IMAGE007
表示第
Figure 365717DEST_PATH_IMAGE008
类第
Figure 262129DEST_PATH_IMAGE009
个波段的所有像素点，
Figure 323626DEST_PATH_IMAGE010
表示第
Figure 513036DEST_PATH_IMAGE008
类的像素 个数，
Figure 394405DEST_PATH_IMAGE011
表示求平均值操作，
Figure 828928DEST_PATH_IMAGE012
表示求标准差操作，
Figure 213773DEST_PATH_IMAGE013
表示求和操作。
3.根据权利要求1所述的方法，其特征在于，所述的对降维后的影像数据进行切割处理，包括：
所述高光谱遥感影像数据包括图像数据和与所述图像数据对应的标签数据；
采用滑窗切割方式，分别对图像数据和标签数据进行切割，得到影像块：
将图像数据切割成相邻的大小为
Figure 839664DEST_PATH_IMAGE014
的图像块，切割后的图像块的维度为
Figure 208329DEST_PATH_IMAGE015
,
Figure 243281DEST_PATH_IMAGE016
为降维处理后影像的波段数；
将标签数据切割成相邻的大小为
Figure 217053DEST_PATH_IMAGE014
的标签块，切割后的标签块的维度为
Figure 577627DEST_PATH_IMAGE017
；
一个所述影像块包括一个图像块以及与其对应的标签块。
4.根据权利要求1所述的方法，其特征在于，所述激励操作层采用ReLU激活函数进行激励操作，池化层采用最大池化。
5.根据权利要求4所述的方法，其特征在于，在所述改进型3D卷积神经网络结构中，神 经元在
Figure 168009DEST_PATH_IMAGE018
的值为：
Figure 505187DEST_PATH_IMAGE019
其中
Figure 333466DEST_PATH_IMAGE020
表示第
Figure 68203DEST_PATH_IMAGE020
层神经元，
Figure 145881DEST_PATH_IMAGE021
表示第
Figure 788215DEST_PATH_IMAGE022
个特征图，
Figure 267738DEST_PATH_IMAGE023
和
Figure 412192DEST_PATH_IMAGE024
是卷积核的高和宽，
Figure 242745DEST_PATH_IMAGE025
是卷 积核沿着光谱维度的维数大小，
Figure 423190DEST_PATH_IMAGE026
表示与前一层中连接的特征个数，与每层的特征维度相 关；
Figure 960482DEST_PATH_IMAGE027
是与第
Figure 833760DEST_PATH_IMAGE026
个特征中第
Figure 587827DEST_PATH_IMAGE028
个神经元连接的权重，
Figure 837543DEST_PATH_IMAGE029
为神经元在第
Figure 229341DEST_PATH_IMAGE020
层神经 元上第
Figure 273521DEST_PATH_IMAGE030
个特征图的偏差值；
Figure 485190DEST_PATH_IMAGE031
是激活函数，采用ReLU激活函数。
6.一种改进型3D卷积网络高光谱遥感影像分类装置，其特征在于，包括：
降维处理模块，用于计算高光谱遥感影像中所有波段样本点的标准分数总和，进行评价和排序，从排序中选取质量更好的多个波段以实现降维处理；
切割处理模块，用于对降维后的影像数据进行切割处理；
分类预测模块，用于将切割处理所获取的影像块作为改进型3D卷积神经网络结构的输入，完成对高光谱遥感影像的分类预测；
所述改进型3D卷积神经网络结构分为两部分，第一部分包含一层输入层，三层双卷积池化结构，每层卷积层后连接一个BN层、激励操作层、池化层；第二部分包含一层全连接层，一层softmax分类层，在全连接层后连接一个BN层、一个激励操作层和一个Dropout层。
7.一种电子设备，其特征在于，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现权利要求1-5任一项所述的一种改进型3D卷积网络高光谱遥感影像分类方法。
8.一种非暂态计算机可读存储介质，其特征在于，该存储介质中存储有用于实现权利要求1-5任一项所述的一种改进型3D卷积网络高光谱遥感影像分类方法。
CN202011276561.6A 2020-11-16 2020-11-16 一种改进型3d卷积网络高光谱遥感影像分类方法及装置 Pending CN112560894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011276561.6A CN112560894A (zh) 2020-11-16 2020-11-16 一种改进型3d卷积网络高光谱遥感影像分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011276561.6A CN112560894A (zh) 2020-11-16 2020-11-16 一种改进型3d卷积网络高光谱遥感影像分类方法及装置

Publications (1)

Publication Number Publication Date
CN112560894A true CN112560894A (zh) 2021-03-26

Family

ID=75042310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011276561.6A Pending CN112560894A (zh) 2020-11-16 2020-11-16 一种改进型3d卷积网络高光谱遥感影像分类方法及装置

Country Status (1)

Country Link
CN (1) CN112560894A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780146A (zh) * 2021-09-06 2021-12-10 西安电子科技大学 基于轻量化神经架构搜索的高光谱图像分类方法及系统
CN114092832A (zh) * 2022-01-20 2022-02-25 武汉大学 一种基于并联混合卷积网络的高分辨率遥感影像分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210313A (zh) * 2019-05-06 2019-09-06 河海大学 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法
CN111652038A (zh) * 2020-04-13 2020-09-11 上海海洋大学 基于卷积神经网络的遥感的海冰图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210313A (zh) * 2019-05-06 2019-09-06 河海大学 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法
CN111652038A (zh) * 2020-04-13 2020-09-11 上海海洋大学 基于卷积神经网络的遥感的海冰图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
佘海龙等: "标准分数降维的 3D-CNN 高光谱遥感图像分类", 《计算机工程与应用》 *
李冠东等: "双卷积池化结构的 3D-CNN 高光谱遥感影像分类方法", 《中国图象图形学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780146A (zh) * 2021-09-06 2021-12-10 西安电子科技大学 基于轻量化神经架构搜索的高光谱图像分类方法及系统
CN113780146B (zh) * 2021-09-06 2024-05-10 西安电子科技大学 基于轻量化神经架构搜索的高光谱图像分类方法及系统
CN114092832A (zh) * 2022-01-20 2022-02-25 武汉大学 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN114092832B (zh) * 2022-01-20 2022-04-15 武汉大学 一种基于并联混合卷积网络的高分辨率遥感影像分类方法

Similar Documents

Publication Publication Date Title
Ding et al. Semi-supervised locality preserving dense graph neural network with ARMA filters and context-aware learning for hyperspectral image classification
CN111860171B (zh) 一种大规模遥感图像中不规则形状目标的检测方法及系统
CN108009222B (zh) 基于较优视图和深度卷积神经网络的三维模型检索方法
Cao et al. Marine animal classification using combined CNN and hand-designed image features
WO2018052586A1 (en) Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
Esmaeili et al. Fast-at: Fast automatic thumbnail generation using deep neural networks
Simon et al. Generalized orderless pooling performs implicit salient matching
CN109543548A (zh) 一种人脸识别方法、装置及存储介质
CN108960304B (zh) 一种网络交易欺诈行为的深度学习检测方法
CN111832608B (zh) 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法
CN113272827A (zh) 卷积神经网络中分类决策的验证
CN109993221B (zh) 一种图像分类方法及装置
CN112560894A (zh) 一种改进型3d卷积网络高光谱遥感影像分类方法及装置
Zou et al. Handwritten chinese character recognition by convolutional neural network and similarity ranking
Pichel et al. A new approach for sparse matrix classification based on deep learning techniques
Zhang et al. A channel pruning algorithm based on depth-wise separable convolution unit
Luan et al. Sunflower seed sorting based on convolutional neural network
CN114882278A (zh) 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置
Raj et al. Object detection in live streaming video using deep learning approach
Wickramasinghe et al. Deep self-organizing maps for visual data mining
CN115861306B (zh) 一种基于自监督拼图模块的工业品异常检测方法
Artola et al. Glad: A global-to-local anomaly detector
US11875263B2 (en) Method and apparatus for energy-aware deep neural network compression
Vepuri Improving facial emotion recognition with image processing and deep learning
Koumoutsou et al. A deep learning approach to hyperspectral image classification using an improved hybrid 3D-2D convolutional neural network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326