CN106022355A - 基于3dcnn的高光谱图像空谱联合分类方法 - Google Patents

Abstract

本发明涉及一种基于3DCNN的高光谱图像空谱联合分类方法，针对高光谱图像数据为三维结构的特点，构建适用于高光谱图像的三维卷积网络完成高光谱图像空谱联合分类。首先，从原始高光谱图像中，提取以待分类像元为中心的一定邻域范围内数据块作为初始空谱特征，并结合待分类像元的标签训练构建好的3DCNN网络。然后，利用经过训练的3DCNN完成高光谱图像空谱联合分类。有益效果在于：1)解决了现有的分类技术中需要进行谱空间降维或者压缩的复杂处理的问题；2)构建出适用于三维结构的高光谱图像数据的3DCNN，充分利用了高光谱图像丰富的信息并省去了人为预先设定特征的麻烦；3)基于3DCNN的高光谱图像空谱联合分类方法。4)提高了高光谱图像分类精度。

Description

基于3DCNN的高光谱图像空谱联合分类方法

技术领域

本发明属于遥感信息处理技术领域，涉及一种高光谱图像的分类方法，具体涉及一种基于3DCNN的高光谱图像空谱联合分类方法。

背景技术

高光谱遥感图像光谱分辨率高、成像波段多、信息量大，在遥感应用领域得到广泛应用。高光谱图像分类技术是高光谱图像处理技术中十分重要的内容，主要包含特征提取及分类两部分，其中从原高光谱图像中提取用特征，该步骤对高光谱图像的分类精度影响巨大：分类特征的鲁棒性强，能够大幅提高分类精度；相反，鲁棒性较差的分类特征则会明显降低分类效果。

近几年，深度学习在特征提取方面成绩显著，为提高高光谱图像分类精度，各种深度模型被引入到高光谱图像的分类中来，并在谱特征的基础上，引入空间特征，利用深度学习模型，自主提取高光谱图像的空谱特征，有效的提高了高光谱图像分类精度。

然而，现有的这些利用深度模型提取高光谱图像空谱特征的这些方法，在提取空谱特征时的做法十分复杂先，往往需要先对原高光谱图像进行谱空间上的降维，再将降维之后的信息与谱信息结合得到空谱特征。降维处理计算量大，且损失了一定的谱信息，影响精度。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于3DCNN的高光谱图像空谱联合分类方法，克服提取空间特征时需要进行复杂的谱空间降维等预处理，充分利用谱信息及空间信息，结合深度学习自主学习的优势，自主抽取高光谱图像深度空谱特征，提高分类精度。

技术方案

一种基于3DCNN的高光谱图像空谱联合分类方法，其特征在于步骤如下：

步骤1：对输入高光谱图像数据进行归一化处理；

步骤2、取原始空谱特征：从高光谱图像中提取以待分类像元为中心的n×n×L邻域范围内的数据块P_n×n×L，将该数据块作为位于数据块中心位置的像元的原始空谱特征；

步骤3：在步骤2中提取出来的含有标签的数据中，随机抽取一半或少于一半的数据作为训练3DCNN的数据

步骤4：构建3DCNN的网络，网络整体结构分为两部分，第一部分包含一层输入层，两层三维卷积层每层卷积层后连接激励操作层，激励操作层采用不饱和激励函数ReLU进行激励操作；第二部分包含一层全连接层，一层softmax分类层；网络整体结构包含七层，网络的整体运算包含前向运算，反向求导，卷积核更新三部分操作；

步骤5、利用训练数据对3DCNN进行训练：在网络训练数据上采用随机梯度下降法训练网络参数，训练完成后该3DCNN能够自主提取高光谱图像的空谱特征并完成分类；

步骤6：将待分类的数据输入训练好的3DCNN，完成高光谱图像空谱联合分类。

有益效果

本发明提出的一种基于3DCNN的高光谱图像空谱联合分类方法，针对高光谱图像数据为三维结构的特点，构建适用于高光谱图像的三维卷积网络完成高光谱图像空谱联合分类。首先，从原始高光谱图像中，提取以待分类像元为中心的一定邻域范围内数据块作为初始空谱特征，并结合待分类像元的标签训练构建好的3DCNN网络。然后，利用经过训练的3DCNN完成高光谱图像空谱联合分类。

本发明的有益效果在于：1)解决了现有的分类技术中需要进行谱空间降维或者压缩的复杂处理的问题；2)构建出适用于三维结构的高光谱图像数据的3DCNN，一方面充分发挥了深度学习自主抽取特征的能力，另一方面自主提取深度特征，充分利用了高光谱图像丰富的信息并省去了人为预先设定特征的麻烦；3)基于3DCNN的高光谱图像空谱联合分类方法，即扩展了深度学习的应用范围，也为高光谱图像分类提供了新思路。4)提高了高光谱图像分类精度。

附图说明

图1：基于3DCNN的空谱联合高光谱图像分类方法流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

步骤1输入高光谱图像数据，依照公式对对数据进行归一化操作。其中x_ijs表示高光谱图像中的一个像元，i、j分别表示该像元位于高光谱图像中的坐标位置，s表示高光谱图像的谱段，现有的高光谱图像一般包含100-240个谱段，x_··smax、x_··smin分别表示表示三维高光谱图像在s波段的最大值和最小值。

步骤2提取原始空谱特征，从高光谱图像中提取以待分类像元为中心的一定邻域范围内的数据块P_n×n×L，n表示邻域块的大小，一般取5或7，L表示谱段总数，数据块P_n×n×L是n×n×L的三维结构，该数据块是位于数据块中心位置的像元的原始空谱特征。

步骤3从步骤2中提取出来的数据中随机抽取一定量的含有标签的数据作为训练3DCNN的数据，一般选取有标签数据总量的一半或少于一半的数据作为训练数据。

步骤4构建3DCNN并利用训练数据对3DCNN进行训练。网络整体结构分为两部分，第一部分包含一层输入层，两层三维卷积层(第一层卷积层包含2个三维卷积核，第二层卷积层包含四个三维卷积核，每层卷积核的空间维度设为3，光谱维度设为2-9)，每层卷积层后连接激励操作层，激励操作层采用不饱和激励函数ReLU进行激励操作，该部分一共包含五层网络。第二部分包含一层全连接层，一层softmax分类层，网络整体结构包含七层。网络的整体运算主要包含前向运算，反向求导，卷积核更新三部分操作：

4a)前向运算主要分为卷积层前向运算，激励函数前向运算，分类器前向运算三部分，其中中卷积层前向运算的公式为：

$u_{ij}^{xyz}=b_{ij}+\underset{p=1}{\overset{P_i}{\Σ}}\underset{q=1}{\overset{Q_i}{\Σ}}\underset{r=1}{\overset{R_i}{\Σ}}{k}_{ij}^{pqr}{x}_i^{(x+p)(y+q)(z+r)}$

表示卷积运算之后，网络第i层，第j张特征图上(x,y,z)位置的值。P_i、Q_i、R_i表示卷积核空间维及光谱维的尺寸，k表示卷积核，表示网络第i层未经卷积操作之前的数据。

卷积层的前向操作完成之后利用不饱和的激励函数ReLU完成激励前向运算，公式为：

$y_{ij}^{xyz}=max(0,u_{ij}^{xyz})$

激励操作之后(x,y,z)位置的值，最后一步分类器前向运算的公式为：

$y=-\underset{ij}{\Σ}(x_{ijc}-log\underset{d=1}{\overset{D}{\Σ}}{e}^{x_{ijd}})$

公式中c表示当前样本数据真实类别的编号，一共有D表示类别总数

4b)反向求导对应于前向运算，也包含对卷积层的求导，对激励函数的求导，对分类器的求导。对卷积层前向运算公式及激励函数前向运算公式求导按照基础的数学公式即可推导出来，实际在写代码的过程中一般采取卷积的形式完成卷积层的求导过程，第三部分对分类器的求导公式为：

$\frac{dz}{{\mathrm{dx}}_{ijd}}=-\frac{dz}{dy}(O_{d=c}-y_{ijc})$

O_d＝c表示教师信号是一维度为D的一维向量，在当前真实类别编号为d，即d＝c处取值为1其余各处取值为0.

4c)卷积核更新是在反向求导运算完成，计算出卷积核的偏导之后对卷积核进行更新的一步操作，更新公式如下：

$v_{l+1}=0.9\·v_l-0.0005\·\mathrm{\ϵ}\·k_l-\mathrm{\ϵ}\·\frac{\∂J}{\∂k}{|}_{k_l}$

k_l+1＝k_l+v_l+1

l表示迭代次数，ε表示学习率，学习率一般选取0.01。

步骤5在网络训练数据上采用随机梯度下降法训练网络参数，每次随机取20-100个样本，每次随机选取样本的数量是根据待分类数据的类别数而定，一般选取待分类数据类别数的整数倍，训练完成之后该3DCNN可自主提取高光谱图像的空谱特征并完成分类。

步骤6将待分类的数据输入训练好的3DCNN，完成高光谱图像空谱联合分类。

Claims (1)

1.一种基于3DCNN的高光谱图像空谱联合分类方法，其特征在于步骤如下：

步骤1：对输入高光谱图像数据进行归一化处理；

步骤2、取原始空谱特征：从高光谱图像中提取以待分类像元为中心的n×n×L邻域范围内的数据块P_n×n×L，将该数据块作为位于数据块中心位置的像元的原始空谱特征；

步骤3：在步骤2中提取出来的含有标签的数据中，随机抽取一半或少于一半的数据作为训练3DCNN的数据

步骤4：构建3DCNN的网络，网络整体结构分为两部分，第一部分包含一层输入层，两层三维卷积层每层卷积层后连接激励操作层，激励操作层采用不饱和激励函数ReLU进行激励操作；第二部分包含一层全连接层，一层softmax分类层；网络整体结构包含七层，网络的整体运算包含前向运算，反向求导，卷积核更新三部分操作；

步骤5、利用训练数据对3DCNN进行训练：在网络训练数据上采用随机梯度下降法训练网络参数，训练完成后该3DCNN能够自主提取高光谱图像的空谱特征并完成分类；

步骤6：将待分类的数据输入训练好的3DCNN，完成高光谱图像空谱联合分类。