CN107358260A - 一种基于表面波cnn的多光谱图像分类方法 - Google Patents

Abstract

本发明公开了一种基于表面波CNN的多光谱图像分类方法，输入待分类的多光谱图像，对多光谱数据进行归一化处理得到矩阵，对归一化后矩阵进行以中心像素点的取块，得到训练数据集和测试集；构造基于表面波CNN的分类模型；用训练数据集对分类模型进行训练；利用训练好的分类模型对测试数据集进行分类。本发明引入多尺度深度滤波器，提高了多光谱图像的分类精度，可用于目标分类。

Description

一种基于表面波CNN的多光谱图像分类方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于表面波CNN的多光谱图像分类方法。

背景技术

多光谱遥感，是利用具有两个以上波谱通道的传感器对地物进行同步成像的一种遥感技术，它将物体反射辐射的电磁波信息分成若干波谱段进行接收和记录。多光谱遥感不仅可以根据影像的形态和结构的差异判别地物，还可以根据光谱特性的差异判别地物，扩大了遥感的信息量。航空摄影用的多光谱摄影与陆地卫星所用的多光谱扫描均能得到不同谱段的遥感资料，分谱段的图像或数据可以通过摄影彩色合成或计算机图像处理，获得比常规方法更为丰富的图像，也为地物影像计算机识别与分类提供了可能。

遥感图像分类的关键是对遥感数据进行融合，现有的遥感图像融合技术，主要有像素级融合，特征级融合，决策级融合等。

基于像素的图像融合，是指对测量的物理参数的合并，即直接在采集的原始数据层上进行融合。它强调不同图像信息在像元基础上的综合，强调必须进行基本的地理编码，即对栅格数据进行相互间的几何配准，在各像元一一对应的前提下进行图像像元级的合并处理，以改善图像处理的效果，使图像分割、特征提取等工作在更准确的基础上进行，并可能获得更好的图像视觉效果。

基于特征的图像融合，是指运用不同算法，首先对各种数据源进行目标识别的特征提取如边缘提取、分类等，也就是先从初始图像中提取特征信息——空间结构信息如范围、形状、领域、纹理等；然后对这些特征信息进行综合分析和融合处理。这些多种来源的相似目标或区域，它们空间上一一对应，但并非一个个像元对应，并被相互指派，然后运用统计方法或神经网络、模糊激愤等方法进行融合，以进一步评价。

基于决策层得图像融合，是指在图像理解和图像识别基础上的融合。也就是，经“特征提取”和“特征识别”过程后的融合。它是一种高层次的融合，往往直接面向应用，为决策支持服务。

这些特征提取方法由于均没有考虑到多光谱图像的多尺度、多方向、多分辨特性，因而对背景复杂的多光谱图像难以得到较高的分类精度。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于表面波CNN的多光谱图像分类方法，以提高分类精度。

本发明采用以下技术方案：

一种基于表面波CNN的多光谱图像分类方法，输入待分类的多光谱图像，对多光谱数据进行归一化处理得到矩阵，对归一化后矩阵进行以中心像素点的取块，得到训练数据集和测试集；构造基于表面波CNN的分类模型；用训练数据集对分类模型进行训练；利用训练好的分类模型对测试数据集进行分类。

进一步的，包括以下步骤：

S1、将多光谱遥感数据每个波段数据作为一个矩阵，将各矩阵中的数据减最小值除以最大值减去最小值，再乘以255，得到归一化之后的各波段所对应的矩阵，然后将各波段矩阵数据进行像素级融合，归一化之后的数值区间[0,255]得到矩阵记为D1；

S2、将标记部分位置对应到D1进行以中心像素点的取块，去周围32×32的块代表原来元素类标值，构成训练数据集，记为train_data；将未取块的数据作为测试数据集，记为test_data；

S3、选择一个十七层卷积神经网络，给定各层的特征映射图，并确定卷积层的滤波器尺寸并随机初始化滤波器，用Surfacelet构造多尺度深度滤波器，并替换卷积神经网络的卷积层中随机初始化的滤波器，得到基于多尺度深度滤波器的分类模型；

S4、将训练数据集train_data作为分类模型的输入，训练数据集train_data中每个像素点的类别作为分类模型的输出，通过求解上述类别与人工标记的正确类别之间的误差并对误差进行反向传播，优化分类模型的网络参数，得到训练好的分类模型；

S5、将测试数据集test_data作为训练好的分类模型的输入，训练好的分类模型的输出为对测试数据集中每个像素点进行分类得到的分类类别。

进一步的，步骤S1中，各波段光谱图像归一化的规则如下：

其中，n_i为波段中最小值，m_i为波段中最大值，B_i为每一个波段数据，i＝1,2,...,10为10个波段。

进一步的，步骤S1中，所述矩阵D1是一个大小为M1×M2×10的矩阵D1，其中，M1为多光谱图像的长，M2为多光谱图像的宽。

进一步的，步骤S2中，采用去最小值，除以最大值，再乘以255的方法，对基于像素点的特征矩阵F归一化，先求出所述矩阵D1基于像素点的各维度的最大值max(Di)；再将基于像素点的特征矩阵Di中的每个元素均除以最大值max(F)，乘以255，得到归一化后的特征矩阵F1。

进一步的，步骤S3中，所述基于多尺度深度滤波器的分类模型从第一层开始依次包括：输入层→多尺度深度滤波器层→池化层→ReLU→卷积层→池化层→ReLU→卷积层→池化层→ReLU→卷积层→池化层→ReLU→全连接层→Dropout→全连接层→Softmax分类器。

进一步的，第一层所述输入层的特征映射图数目为10，第二层所述多尺度深度滤波器层的特征映射图数目为9，第三层所述池化层的下采样尺寸为2，第四层所述卷积层的特征映射图数目为64，滤波器尺寸为3。

进一步的，第五层所述池化层的下采样尺寸为2，第六层所述卷积层的特征映射图数目为128，滤波器尺寸为3，第七层所述池化层的下采样尺寸为2，第八层所述卷积层的特征映射图数目为256，滤波器尺寸为3。

进一步的，第九层所述池化层的下采样尺寸为2，第十层所述全连接层的特征映射图数目为1000，第十一层所述全连接层的特征映射图数目为500，第十二层所述Softmax分类器的特征映射图数目为17。

与现有技术相比，本发明至少具有以下有益效果：

本发明基于多尺度深度滤波器的极化SAR图像分类方法，其特征在于，输入待分类的多光谱图像，对多光谱数据进行归一化处理得到矩阵，对归一化后矩阵进行以中心像素点的取块，得到训练数据集和测试集；构造基于多尺度深度滤波器的分类模型；用训练数据集对分类模型进行训练；利用训练好的分类模型对测试数据集进行分类，由于将像素级特征扩展成图像块特征，可同时获取谱段信息和空间信息，在卷积神经网络中引入多尺度深度滤波器，因此，它能有效捕获和表示光滑表面信号奇异，具有多方向分解、各向异性、高效率的树结构滤波器组、完全重建和低冗余度等性质，非常适合多光谱图像处理。

进一步的，先对数据进行归一化再将数据切块后送入网络进行特征学习。可以使数据在送入网络前有统一的分布特性，通过归一化将数值统一在一个较小的范围内，可以加快计算速度。

进一步的，归一化可以统一样本的统计分布性。首先统一量纲，不同的数据的数量级相差过大的话，计算起来大数的变化会掩盖掉小数导致的变化。其次可以加快收敛速度。归一化之后收敛速度较快。

进一步的，通常获取的遥感图像数据往往受到噪声的干扰，并且光照条件变化等外部环境也会影响图像的全局特征，此外图像还存在与目标特征无关的冗余信息。由此可以采用多尺度变换的方法对遥感图像分解，得到图像对应的低频和高频子带，低频子带保留了图像中空间位置关系，高频子带体现了图像的细节和边缘信息。用表面波对归一化之后的多光谱数据进行处理，将处理之后的数据送入CNN网络进行特征学习。能够显著提高图像分类的泛化能力。

综上所述，本发明引入多尺度深度滤波器，提高了多光谱图像的分类精度，可用于目标分类。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的实现流程图；

图2为本发明中对待分类图像的人工标记图；

图3为用本发明对待分类图像的分类结果图。

具体实施方式

本发明提供了一种基于表面波CNN的多光谱图像分类方法，输入待分类的多光谱图像，对多光谱数据进行归一化处理得到矩阵D1，对归一化后矩阵进行以中心像素点的取块，得到训练数据集train_data，未取块的数据作为测试集；构造基于多尺度深度滤波器的分类模型；用训练数据集train_data对分类模型进行训练；利用训练好的分类模型对测试数据集test_data分类。

请参阅图1，本发明基于多尺度深度滤波器的极化SAR图像分类方法，包括以下步骤：

S1、对多光谱数据进行归一化处理。

将多光谱遥感数据每个波段数据看成一个矩阵，将各矩阵中的数据进行归一化处理，归一化规则为：

减最小值除以最大值减去最小值，再乘以255，得到归一化之后的各波段所对应的矩阵，然后将各波段矩阵数据进行像素级融合，归一化之后的数值区间[0,255]得到矩阵记为D1；

矩阵D1是一个大小为M1×M2×10的矩阵D1，其中，M1为多光谱图像的长，M2为多光谱图像的宽。

待分类的多光谱遥感图像选用Landsat_8传感器在法国巴黎附近获取的B1，B2，B3，B4，B5，B6，B7，B10，B11波段多光谱图像，图像大小为988×1160。

各波段光谱图像归一化的规则如下：

其中，n_i为波段中最小值，m_i为波段中最大值。

S2、对矩阵D1进行以中心像素点的取块。

将标记部分位置对应到D1进行以中心像素点的取块。去周围32×32的块代表原来元素类标值，构成训练数据集，记为train_data；将未取块的数据作为测试数据集，记为test_data。

对基于像素点的特征矩阵F归一化，采用去最小值，除以最大值，再乘以255的方法，即先求出D1基于像素点的各维度的最大值max(Di)；再将基于像素点的特征矩阵Di中的每个元素均除以最大值max(F)，乘以255，得到归一化后的特征矩阵F1。

S3、构造基于多尺度深度滤波器的分类模型。

S31、选择一个由输入层→卷积层→池化层→ReLU→卷积层→池化层→ReLU→卷积层→池化层→ReLU→卷积层→池化层→ReLU→全连接层→Dropout→全连接层→Softmax分类器组成的17层卷积神经网络，给定各层的特征映射图，并确定卷积层的滤波器尺寸并随机初始化滤波器；

S32、用Surfacelet构造多尺度深度滤波器，并替换卷积神经网络的卷积层中随机初始化的滤波器，得到基于多尺度深度滤波器的分类模型为：输入层→多尺度深度滤波器层→池化层→ReLU→卷积层→池化层→ReLU→卷积层→池化层→ReLU→卷积层→池化层→ReLU→全连接层→Dropout→全连接层→Softmax分类器组成的17层卷积神经网络结构。

基于多尺度深度滤波器的分类模型的参数如下：

对于第1层输入层，设置特征映射图数目为10；

对于第2层多尺度深度滤波器层，设置特征映射图数目为9；

对于第3层池化层，设置下采样尺寸为2；

对于第4层卷积层，设置特征映射图数目为64，设置滤波器尺寸为3；

对于第5层池化层，设置下采样尺寸为2；

对于第6层卷积层，设置特征映射图数目为128，设置滤波器尺寸为3；

对于第7层池化层，设置下采样尺寸为2；

对于第8层卷积层，设置特征映射图数目为256，设置滤波器尺寸为3；

对于第9层池化层，设置下采样尺寸为2；

对于第10层全连接层，设置特征映射图数目为1000；

对于第11层全连接层，设置特征映射图数目为500；

对于第12层Softmax分类器，设置特征映射图数目为17。

第二层对第一层输入的数据进行滤波处理。设置最大池化是为了在降低维度的同时不丢失主要特征信息。随着层数的加深，增加特征映射图数可以提取到更多的特征。通过多次试验，这样设置参数实验结果较好。

S4、用训练数据集对分类模型进行训练，得到训练好的分类模型。

将训练数据集train_data作为分类模型的输入，训练数据集train_data中每个像素点的类别作为分类模型的输出，通过求解上述类别与人工标记的正确类别之间的误差并对误差进行反向传播，来优化分类模型的网络参数，得到训练好的分类模型，人工标记的正确类标如图2所示。

S5、利用训练好的分类模型对测试数据集进行分类。

将测试数据集test_data作为训练好的分类模型的输入，训练好的分类模型的输出为对测试数据集中每个像素点进行分类得到的分类类别。

实施例

1.仿真条件：

硬件平台为：Intel(R)Xeon(R)CPU [email protected]基于多尺度深度滤波器的多光谱图像分类方法

显卡：Quadro K2200/PCIe/SSE2，2.40GHz基于多尺度深度滤波器的多光谱图像分类方法

内存：8G

软件平台为：Caffe。

2.仿真内容与结果：

用本发明方法在上述仿真条件下进行实验，即分别从多光谱数据的每个类别中随机选取5％有标记的像素点作为训练样本，整张图作为测试数据，得到如图3的分类结果。

从图3可以看出：分类结果的区域一致性较好，不同区域划分后的边缘也非常清晰，且保持了细节信息。

再依次减少训练样本，使训练样本占样本总数的4％、3％、2％，将本发明与卷积神经网络的测试数据集分类精度进行对比，结果如表1所示：

训练样本所占比例	卷积神经网络	本发明
			5％	61.04％	62.95％
4％	60.24％	61.68％
			3％	59.84％	61.34％
2％	58.37％	61.14％

从表1可见，训练样本占样本总数的5％、4％、3％、2％时，本发明的测试数据集分类精度均高于卷积神经网络。

综上所述，本发明通过在卷积神经网络中引入Surfacelet变换，有效提高了图像特征的表达能力，增强了模型的泛化能力，使得在训练样本较少的情况下仍可以达到很高的分类精度。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种基于表面波CNN的多光谱图像分类方法，其特征在于，输入待分类的多光谱图像，对多光谱数据进行归一化处理得到矩阵，对归一化后矩阵进行以中心像素点的取块，得到训练数据集和测试集；构造基于表面波CNN的分类模型；用训练数据集对分类模型进行训练；利用训练好的分类模型对测试数据集进行分类。

2.根据权利要求1所述的一种基于表面波CNN的多光谱图像分类方法，其特征在于，包括以下步骤：

S1、将多光谱遥感数据每个波段数据作为一个矩阵，将各矩阵中的数据减最小值除以最大值减去最小值，再乘以255，得到归一化之后的各波段所对应的矩阵，然后将各波段矩阵数据进行像素级融合，归一化之后的数值区间[0,255]得到矩阵记为D1；

S2、将标记部分位置对应到D1进行以中心像素点的取块，去周围32×32的块代表原来元素类标值，构成训练数据集，记为train_data；将未取块的数据作为测试数据集，记为test_data；

S3、选择一个十七层卷积神经网络，给定各层的特征映射图，并确定卷积层的滤波器尺寸并随机初始化滤波器，用Surfacelet构造多尺度深度滤波器，并替换卷积神经网络的卷积层中随机初始化的滤波器，得到基于多尺度深度滤波器的分类模型；

S4、将训练数据集train_data作为分类模型的输入，训练数据集train_data中每个像素点的类别作为分类模型的输出，通过求解上述类别与人工标记的正确类别之间的误差并对误差进行反向传播，优化分类模型的网络参数，得到训练好的分类模型；

S5、将测试数据集test_data作为训练好的分类模型的输入，训练好的分类模型的输出为对测试数据集中每个像素点进行分类得到的分类类别。

3.根据权利要求2所述的一种基于表面波CNN的多光谱图像分类方法，其特征在于，步骤S1中，各波段光谱图像归一化的规则如下：

<mrow> <mi>t</mi> <mi>r</mi> <mi>a</mi> <mi>i</mi> <mi>n</mi> <mo>_</mo> <msub> <mi>data</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mo>(</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>n</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> </mfrac> <mo>*</mo> <mn>255</mn> </mrow>

其中，n_i为波段中最小值，m_i为波段中最大值，B_i为每一个波段数据，i＝1,2,...,10为10个波段。

4.根据权利要求2所述的一种基于表面波CNN的多光谱图像分类方法，其特征在于，步骤S1中，所述矩阵D1是一个大小为M1×M2×10的矩阵D1，其中，M1为多光谱图像的长，M2为多光谱图像的宽。

5.根据权利要求2所述的一种基于表面波CNN的多光谱图像分类方法，其特征在于，步骤S2中，采用去最小值，除以最大值，再乘以255的方法，对基于像素点的特征矩阵F归一化，先求出所述矩阵D1基于像素点的各维度的最大值max(Di)；再将基于像素点的特征矩阵Di中的每个元素均除以最大值max(F)，乘以255，得到归一化后的特征矩阵F1。

6.根据权利要求2所述的一种基于表面波CNN的多光谱图像分类方法，其特征在于，步骤S3中，所述基于多尺度深度滤波器的分类模型从第一层开始依次包括：输入层→多尺度深度滤波器层→池化层→ReLU→卷积层→池化层→ReLU→卷积层→池化层→ReLU→卷积层→池化层→ReLU→全连接层→Dropout→全连接层→Softmax分类器。

7.根据权利要求6所述的一种基于表面波CNN的多光谱图像分类方法，其特征在于，第一层所述输入层的特征映射图数目为10，第二层所述多尺度深度滤波器层的特征映射图数目为9，第三层所述池化层的下采样尺寸为2，第四层所述卷积层的特征映射图数目为64，滤波器尺寸为3。

8.根据权利要求6所述的一种基于表面波CNN的多光谱图像分类方法，其特征在于，第五层所述池化层的下采样尺寸为2，第六层所述卷积层的特征映射图数目为128，滤波器尺寸为3，第七层所述池化层的下采样尺寸为2，第八层所述卷积层的特征映射图数目为256，滤波器尺寸为3。

9.根据权利要求6所述的一种基于表面波CNN的多光谱图像分类方法，其特征在于，第九层所述池化层的下采样尺寸为2，第十层所述全连接层的特征映射图数目为1000，第十一层所述全连接层的特征映射图数目为500，第十二层所述Softmax分类器的特征映射图数目为17。