CN108256557B - 结合深度学习和邻域集成的高光谱图像分类方法 - Google Patents

结合深度学习和邻域集成的高光谱图像分类方法 Download PDF

Info

Publication number
CN108256557B
CN108256557B CN201711415902.1A CN201711415902A CN108256557B CN 108256557 B CN108256557 B CN 108256557B CN 201711415902 A CN201711415902 A CN 201711415902A CN 108256557 B CN108256557 B CN 108256557B
Authority
CN
China
Prior art keywords
layer
training
network
sample set
hyperspectral 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.)
Active
Application number
CN201711415902.1A
Other languages
English (en)
Other versions
CN108256557A (zh
Inventor
孟红云
张小华
樊宏渊
田小林
朱虎明
曹向海
侯彪
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201711415902.1A priority Critical patent/CN108256557B/zh
Publication of CN108256557A publication Critical patent/CN108256557A/zh
Application granted granted Critical
Publication of CN108256557B publication Critical patent/CN108256557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种结合深度学习和邻域集成的高光谱图像分类方法，主要解决现有技术使用训练样本多且分类效果差的问题，其技术方案：在高光谱数据中通过选取不同的邻域尺度，获得结合不同的空间信息的数据集；将不同空间信息的数据集分别输入到不同的自编码网络中，获得不同空间信息下的分类结果；将上述的分类结果进行连接，并作为训练数据训练一个新的自动编码器网络，作为最终的集成网络；将不同空间信息下的自编码器的对测试样本的分类结果进行连接构成集成网络的测试样本；将新的测试样本输入到集成网络，获得高光谱图像的最终分类结果。本发明使用训练样本少，分类精度高，可用于环境监测，土地利用和目标识别等。

Description

结合深度学习和邻域集成的高光谱图像分类方法
技术领域
本发明属于数字图像处理技术领域，特别涉及一高光谱图像分类方法，可用于环境监测，土地利用和目标识别。
背景技术
通过结合成像技术和光谱技术，高光谱遥感可同时获得空间和光谱连续的数据。高光谱图像在地球表面监测中是一种有效的工具，被广泛用于农业，矿物学，对地探测，物理学，天文学和环境科学中。这些应用中的常用技术是对高光谱图像中的每个像元进行分类。
高光谱图像的分类方法主要有基于光谱信息的分类方法，基于空间信息的分类方法，和结合空间信息和光谱信息的分类方法，其中：
基于光谱信息的分类方法，只利用高光谱图像的光谱信息进行分类，常用的有决策树算法，神经网络算法等。这些方法仅仅考虑了像元的光谱信息，而未考虑像元的邻域信息，事实上高光谱图像像元与邻近像元往往归属于同一类，因此仅仅依靠光谱信息进行的分类方法得到的分类效果非常有限。
基于空间信息的高光谱图像分类方法，只利用高光谱图像的空间信息进行分类，典型的方法如基于小波分析的特征提取方法以及基于灰度共生矩阵的特征提取方法。这类方法是一种基于人工经验的特征提取方法，所以该类方法需要较好的先验知识才能获得较好的分类结果。
基于空谱结合的高光谱图像分类方法，是结合高光谱像元光谱信息和空间信息进行分类的方法。典型的方法有基于空谱结合的稀疏表示分类方法和基于深度学习的高光谱图像分类方法。基于空谱结合的稀疏表示分类方法是目前较为流行的分类算法，该方法在一定程度上取得了较好的分类效果，但其只提取了高光谱图像的浅层特征，对于实际应用中，由于拍摄环境的多变性导致高光谱图像的多变性，提取的浅层特征并不能准确的判断像元的类别，从而使此类方法对于分类问题没有较强的鲁棒性。基于深度学习的高光谱图像分类方法是近些年的研究热点，由于其极强的深层特征提取能力，使它越来越多的应用到实际分类中去，但是由于其网络的训练需要大量的带标签的样本，而高光谱图像有标签的样本较为匮乏，使得基于深度学习的高光谱分类方法受到了很大的制约。
发明内容
本发明的目的在于提出一种结合深度学习和邻域集成的高光谱图像分类方法，以解决现有技术不能较好的提取高光谱图像的深层空谱特征和需要大量训练样本的问题。
为实现上述目的，本发明的技术方案包括如下：
(1)输入一幅包含C个类别的高光谱图像：X＝{x1，x2，……，xi，……，xN}，并从每类高光谱像元中随机选取10％的样本作为训练样本集S，剩余的样本作为测试样本T，其中，xi表示高光谱图像中第i个样本，它是一个B0维的光谱向量，i＝1，2，…，N，N表示该高光谱图像的样本个数，C≥2，B0是高光谱图像的波段数目，其在不同的高光谱成像仪获得的图像的像元的光谱维数是不同的；
(2)将训练样本集S输入已连接softmax分类器的自动编码器网络进行网络训练，得到训练好的分类网络；
(3)将训练样本集S和测试样本T输入到训练好的网络中，分别得到训练样本集和测试样本集的概率分类结果
Figure BDA0001521947210000021
和
Figure BDA0001521947210000022
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数；
(4)对高光谱图像X利用主成分分析法进行降维处理，得到降维后的高光谱图像：X'＝{x′1,x′2,……,x′i,……,x′N}，其中x′i表示降维后高光谱图像的第i个样本，且维数由B0降为B；
(5)在降维后的高光谱图像X′上，以每个样本x′i为中心选取一个空间大小为3×3的窗口，获得对应的加入邻域信息的新训练样本集S'和新测试样本集T'；
(6)将新训练样本集S'输入到已连接softmax分类器的自动编码器网络进行网络训练，得到新的训练好网络；
(7)将新训练样本集S'和新测试样本集T'输入到新的训练好网络中，分别得到新训练样本集S'的概率分类结果
Figure BDA0001521947210000023
和新测试样本集T'的概率分类结果
Figure BDA0001521947210000024
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数；
(8)重复(5)～(7)，分别获得选择窗口大小为5×5，7×7，9×9，11×11，13×13，15×15时得到的训练样本的概率分类结果
Figure BDA0001521947210000031
和测试样本的概率分类结果
Figure BDA0001521947210000032
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数；
(9)将
Figure BDA0001521947210000035
级联成一个总训练样本的概率分类结果
Figure BDA0001521947210000033
并将PS作为一个新自动编码器网络的训练样本集对网络进行训练，得到训练好的集成网络；
(10)将
Figure BDA0001521947210000036
级联成一个总测试样本的概率分类结果
Figure BDA0001521947210000034
并将PT作为测试样本集输入到训练好的集成网络中，得到最终的分类结果。
本发明相比现有技术具有以下优点：
1)本发明使用了结合深度学习和邻域集成的高光谱图像分类方法，有效的提取了高光谱图像的深层空谱特征，对分类有较强的鲁棒性；
2)本发明提出了一种结合深度学习和邻域集成的高光谱图像分类方法，即对多个网络得到的分类信息进行集成，从而使集成网络继承了多个网络获得的信息，弥补了单个网络提取特征不足的缺陷，从而使集成网络可以获得很好的分类效果，解决了一般深度学习方法需要大量训练样本且分类效果差的问题。
附图说明
图1是本发明的实现总流程图；
图2是本发明中的训练单个分类网络并获得分类结果的子流程图；
图3是本发明仿真使用图像的真实地物分布图；
图4是本发明中不同尺度下的单个网络对图3的分类结果图；
图5是用本发明中最终集成网络对图3的分类结果图。
具体实施方式
参照图1，本发明的实现步骤如下：
步骤1，在输入的高光谱图像X中选择原始训练样本集S和原始测试样本集T。
输入一幅包含C个类别的高光谱图像：X＝{x1，x2，……,xi,……,xN}，并从每类高光谱图像中随机选取10％的像元作为原始训练样本集S，剩余的样本作为原始测试样本集T，其中，高光谱图像使用了了公开数据集中的Indian Pine图像和Pavia大学图像，xi表示高光谱图像中第i个样本，它是一个B0维的光谱向量，i＝1，2，……，N，N表示该高光谱图像的样本个数，B0是高光谱图像的波段数目，其在不同的高光谱成像仪获得的图像中大小是不同的，C≥2，不同的高光谱图像，其包含的类别数C不同，例如Indian Pine图像包含16类，Pavia大学图像包含9类。
步骤2，利用原始训练样本集S对已连接softmax分类器自动编码器网络进行训练。
(2a)将原始训练样本集S输入到自动编码器网络，对该网络第一层进行训练，得到训练好的第一层的参数：
(2a1)将原始训练样本集S作为一个m层自动编码器网络的第一层作为输入，其中m≥2，并利用网络第一层的初始参数获得第一层的隐层特征，利用隐层特征获得重构数据；
(2a2)不断调整第一层网络参数，使第一层网络的输入层数据与重构数据的误差最小，获得训练好的第一层的网络参数；
(2b)利用训练好的第一层的参数将训练样本转化为第一层的隐层特征；
(2c)将第一层的隐层特征作为网络第二层的输入，利用第一层的训练方式，用第一层的隐层特征对网络的第二层进行训练，得到训练好的第二层的参数，并利用此参数将第二层的输入转化为第二层的隐层特征；以此类推，对后面的各层采用同样的策略，直到获得最后一层的隐层特征；
(2d)将(2c)中获得的最后一层的隐层特征作为softmax分类器的输入对softmax分类器进行训练，然后对整个网络进行微调，得到由原始训练样本集S训练好的分类网络。
步骤3，将原始训练样本集S和原始测试样本T输入到(2d)所获得的分类网络中，分别得到原始训练样本集和原始测试样本集的概率分类结果
Figure BDA0001521947210000041
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数。
步骤4，利用单个网络获得分类信息。
参照图2，本步骤的具体实施如下：
(4a)利用主成成分分析法对高光谱图像X进行降维处理，得到降维后的高光谱图像：X′＝{x′1,x′2,……,x′i,……,x′N}，其中x′i表示降维后高光谱图像的第i个样本，且维数由B0降为B；
(4b)在降维后的高光谱图像X'上，以每个样本x′i为中心选取一个3×3的窗口，并将窗口内的9个样本级联成一个向量，得到包含空间信息的高光谱图像X″；
(4c)将高光谱图像X中的样本与包含空间信息的高光谱图像X″中的样本分别对应连接，获得包含空谱信息的高光谱图像X″′；
(4d)按照步骤(1)中原始训练样本集S和原始训练样本集T在高光谱图像X中的位置，在包含空谱信息的高光谱图像X″′中的对应位置上，获取新训练样本集S'和新测试样本集T'；
(4e)将新训练样本集S'输入到已连接softmax分类器的自动编码器网络中，按照如下步骤进行网络训练，得到由新训练样本集S'训练好的网络：
(4e1)将训练样本作为一个m层自动编码器网络第一层的输入，其中m≥2；利用训练样本对该第一层进行训练，得到训练好的第一层的参数；
(4e2)利用训练好的第一层的参数将训练样本转化为第一层的隐层特征；
(4e3)将第一层的隐层特征作为网络第二层的输入，利用第一层的训练方式，用第一层的隐层特征对网络的第二层进行训练，得到训练好的第二层的参数，并利用此参数将第二层的输入转化为第二层的隐层特征；以此类推，对后面的各层采用同样的策略，直到获得最后一层的隐层特征；
(4e4)将(4e3)中获得的最后一层的隐层特征作为softmax分类器的输入对softmax分类器进行训练，然后对整个网络进行微调，得到训练好的网络。
(4f)将新训练样本集S'和新测试样本集T'输入到步骤(4e)所获得的网络中，分别得到新训练样本集S'的概率分类结果
Figure BDA0001521947210000051
和新测试样本集T'的概率分类结果
Figure BDA0001521947210000052
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数。
步骤5，分别选择大小不同的窗口，获得对应的概率分类结果。
(5a)选择窗口大小为5×5，重复(4b)～(4f)，获得5×5窗口时训练样本集的概率分类结果
Figure BDA0001521947210000053
以及测试样本集的概率分类结果
Figure BDA0001521947210000054
(5b)选择窗口大小为7×7，重复(4b)～(4f)，获得7×7窗口时训练样本集的概率分类结果
Figure BDA0001521947210000055
以及测试样本集的概率分类结果
Figure BDA0001521947210000056
(5c)选择窗口大小为9×9，重复(4b)～(4f)，获得9×9窗口时训练样本集的概率分类结果
Figure BDA0001521947210000061
以及测试样本集的概率分类结果
Figure BDA0001521947210000062
(5d)选择窗口大小为11×11，重复(4b)～(4f)，获得11×11窗口时训练样本集的概率分类结果
Figure BDA0001521947210000063
以及测试样本集的概率分类结果
Figure BDA0001521947210000064
(5e)选择窗口大小为13×13，重复(4b)～(4f)，获得13×13窗口时训练样本集的概率分类结果
Figure BDA0001521947210000065
以及测试样本集的概率分类结果
Figure BDA0001521947210000066
(5f)选择窗口大小为15×15，重复(4b)～(4f)，获得15×15窗口时训练样本集的概率分类结果
Figure BDA0001521947210000067
以及测试样本集的概率分类结果
Figure BDA0001521947210000068
Figure BDA0001521947210000069
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数。
步骤6，根据步骤5的结果训练集成网络。
(6a)将步骤5得到的训练样本集的概率分类结果
Figure BDA00015219472100000610
进行级联，得到一个新的样本集：
Figure BDA00015219472100000611
(6b)将PS作为一个新自动编码器网络的训练样本集，按照与步骤2相同的训练方式进行网络训练，得到训练好的集成网络。
步骤7，使用训练好的集成网络对所有测试样本进行分类得到最终结果。
(7a)对步骤5得到的测试样本集的概率分类结果
Figure BDA00015219472100000612
进行级联，得到一个测试样本集的概率分类结果：
Figure BDA00015219472100000613
(7b)将PT输入到步骤6获得的集成网络中，得到最终的分类结果。
本发明的效果可以通过下面的仿真结果进一步说明。
1.仿真条件
硬件平台为：Intel(R)Core(TM)i5-3210M、8GB RAM，软件平台：MATLAB R2014a。
仿真实验采用美国宇航局NASA喷气推进实验室的空载可见光/红外成像光谱仪AVIRIS于1992年6月在印第安纳西北部获取的Indian Pine图像，如图3所示，该图像的真实地物分布图，图像大小为145×145，共220个波段，去除噪声以及大气和水域吸收的波段还有200个波段，共16类地物信息如表1所示。
表1 Indian Pine图像的16类地物信息
Figure BDA0001521947210000071
2.仿真内容及分析
仿真1，选取不同大小的邻域窗口，使用图2所示方法，得到测试样本在不同大小邻域窗口下的分类结果如图4所示；其中：
图4(a)表示选择邻域窗口大小为1×1时的分类结果图，
图4(b)表示选择邻域窗口大小为3×3时的分类结果图，
图4(c)表示选择邻域窗口大小为5×5时的分类结果图，
图4(d)表示选择邻域窗口大小为7×7时的分类结果图，
图4(e)表示选择邻域窗口大小为9×9时的分类结果图，
图4(f)表示选择邻域窗口大小为11×11时的分类结果图，
图4(g)表示选择邻域窗口大小为13×13时的分类结果图，
图4(h)表示选择邻域窗口大小为15×15时的分类结果图。
仿真2，利用本发明方法，即图1所示方法，对测试样本进行分类，结果如图5所示。
从图3、图4和图5中可以看出，本发明中利用集成网络获得的分类结果图5比不同尺度下单个网络的分类结果图4都要好，与Indian Pine参考图图3的相似性也更强，因此说明本发明有效的提升了高光谱图像的分类正确率。
分类正确率是本发明采用的评价分类性能的指标，即正确分类的样本数目与总样本数目的比值。分类正确率越高，则分类方法的性能越好。分别统计图4所示不同尺度下单网络的分类结果的正确率和图5所示最终集成网络分类结果的正确率，结果如表2所示。
表2不同尺度下单网络的分类正确率与集成网络的分类正确率
Figure BDA0001521947210000081
从表2可以看出，本发明中最终集成网络的分类正确率远远高于不同尺度下的单个网络的分类的正确率，说明本发明具有较好的分类性能。
综上所述，相比于常用的高光谱图像分类方法，本发明具有更好的分类效果，而且相比于其他深度学习方法，本发明克服了需要大量训练样本以及分类结果较差的弊端，适合现实中的高光谱图像分类问题。

Claims (5)

1.一种结合深度学习和邻域集成的高光谱图像分类方法，包括：
(1)输入一幅包含C个类别的高光谱图像：X＝{x1，x2，……，xi，……，xN}，并从每类高光谱像元中随机选取10％的样本作为训练样本集S，剩余的样本作为测试样本集T，其中，xi表示高光谱图像中第i个样本，它是一个B0维的光谱向量，i＝1，2，…，N，N表示该高光谱图像的样本个数，C≥2，B0是高光谱图像的波段数目，其在不同的高光谱成像仪获得的图像的像元的光谱维数是不同的；
(2)将训练样本集S输入已连接softmax分类器的自动编码器网络进行网络训练，得到训练好的分类网络；
(3)将训练样本集S和测试样本集T输入到训练好的网络中，分别得到训练样本集和测试样本集的概率分类结果
Figure FDA0001521947200000011
和
Figure FDA0001521947200000012
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数；
(4)对高光谱图像X利用主成分分析法进行降维处理，得到降维后的高光谱图像：X'＝{x1',x'2,……,xi',……,x'N}，其中xi'表示降维后高光谱图像的第i个样本，且维数由B0降为B；
(5)在降维后的高光谱图像X'上，以每个样本xi'为中心选取一个空间大小为3×3的窗口，获得对应的加入邻域信息的新训练样本集S'和新测试样本集T'；
(6)将新训练样本集S'输入到已连接softmax分类器的自动编码器网络进行网络训练，得到新的训练好网络；
(7)将新训练样本集S'和新测试样本集T'输入到新的训练好网络中，分别得到新训练样本集S'的概率分类结果
Figure FDA0001521947200000013
和新测试样本集T'的概率分类结果
Figure FDA0001521947200000014
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数；
(8)重复(5)～(7)，分别获得选择窗口大小为5×5，7×7，9×9，11×11，13×13，15×15时得到的训练样本集的概率分类结果
Figure FDA0001521947200000015
和测试样本集的概率分类结果
Figure FDA0001521947200000021
其中N1为训练样本的个数，N2为测试样本的个数，C是样本类别数；
(9)将
Figure FDA0001521947200000022
级联成一个总训练样本的概率分类结果
Figure FDA0001521947200000023
并将PS作为一个新自动编码器网络的训练样本集对网络进行训练，得到训练好的集成网络；
(10)将
Figure FDA0001521947200000024
级联成一个总测试样本的概率分类结果
Figure FDA0001521947200000025
并将PT作为测试样本集输入到训练好的集成网络中，得到最终的分类结果。
2.根据权利要求书1所述的方法，其中步骤(2)中将训练样本集S输入已连接softmax分类器的自动编码器网络进行网络训练，其步骤如下：
(2a)将训练样本作为一个m层自动编码器网络第一层的输入，其中m≥2；利用训练样本对该第一层进行训练，得到训练好的第一层的参数；
(2b)利用训练好的第一层的参数将训练样本转化为第一层的隐层特征；
(2c)将第一层的隐层特征作为网络第二层的输入，利用第一层的训练方式，用第一层的隐层特征对网络的第二层进行训练，得到训练好的第二层的参数，并利用此参数将第二层的输入转化为第二层的隐层特征；以此类推，对后面的各层采用同样的策略，直到获得最后一层的隐层特征；
(2d)将(2c)中获得的最后一层的隐层特征作为softmax分类器的输入对softmax分类器进行训练，得到训练好的分类器，再对整个网络进行微调，得到训练好的网络。
3.根据权利要求书2所述的方法，其中步骤(2a)中利用训练样本对该第一层进行训练，按如下步骤进行：
(2a1)将训练样本作为第一层网络的输入层，并利用网络第一层的初始参数获得第一层的隐层特征和重构数据；
(2a2)不断调整第一层网络参数，使第一层网络的输入层数据和重构数据的误差最小，获得训练好的第一层的参数。
4.根据权利要求书1所述的方法，步骤(5)中在降维后的高光谱图像X'上，以每个样本为中心选取一个3×3的窗口，获得对应的加入邻域信息的新训练样本集S'和新测试样本集T'，其步骤如下：
(5a)在降维后的高光谱图像X'上，以每个样本为中心选取一个空间大小为3×3的窗口，并将窗口内的9个样本级联成一个向量，得到包含空间信息的高光谱图像X”；
(5b)将高光谱图像X中的样本与包含空间信息的高光谱图像X”中的样本分别对应连接，获得包含空谱信息的高光谱图像X”'；
(5c)按照步骤(1)中训练样本集S和测试样本集T在高光谱图像X中的位置，在包含空谱信息的高光谱图像X”'中的对应位置上，获取新训练样本集S'和新测试样本集T'。
5.根据权利要求书1所述的方法，其中步骤(6)中将训练样本集S'输入已连接softmax分类器的自动编码器网络进行网络训练，其步骤如下：
(6a)将训练样本作为一个m层自动编码器网络第一层的输入，其中m≥2；利用训练样本对该第一层进行训练，得到训练好的第一层的参数；
(6b)利用训练好的第一层的参数将训练样本转化为第一层的隐层特征；
(6c)将第一层的隐层特征作为网络第二层的输入，利用第一层的训练方式，用第一层的隐层特征对网络的第二层进行训练，得到训练好的第二层的参数，并利用此参数将第二层的输入转化为第二层的隐层特征；以此类推，对后面的各层采用同样的策略，直到获得最后一层的隐层特征；
(6d)将(6c)中获得的最后一层的隐层特征作为softmax分类器的输入对softmax分类器进行训练，得到训练好的分类器，再对整个网络进行微调，得到训练好的网络。
CN201711415902.1A 2017-12-25 2017-12-25 结合深度学习和邻域集成的高光谱图像分类方法 Active CN108256557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711415902.1A CN108256557B (zh) 2017-12-25 2017-12-25 结合深度学习和邻域集成的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711415902.1A CN108256557B (zh) 2017-12-25 2017-12-25 结合深度学习和邻域集成的高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN108256557A CN108256557A (zh) 2018-07-06
CN108256557B true CN108256557B (zh) 2021-09-28

Family

ID=62724013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711415902.1A Active CN108256557B (zh) 2017-12-25 2017-12-25 结合深度学习和邻域集成的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN108256557B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344698B (zh) * 2018-08-17 2021-09-03 西安电子科技大学 基于可分离卷积和硬阈值函数的高光谱波段选择方法
CN109522918B (zh) * 2018-09-14 2020-05-05 广东工业大学 基于改进的局部奇异谱分析的高光谱图像特征提取方法
CN111079850B (zh) * 2019-12-20 2023-09-05 烟台大学 波段显著度的深度空谱联合高光谱图像分类方法
CN112348049A (zh) * 2020-09-28 2021-02-09 北京师范大学 一种基于自动编码的图像识别模型训练方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320965A (zh) * 2015-10-23 2016-02-10 西北工业大学 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
CN106845418A (zh) * 2017-01-24 2017-06-13 北京航空航天大学 一种基于深度学习的高光谱图像分类方法
CN106897737A (zh) * 2017-01-24 2017-06-27 北京理工大学 一种基于超限学习机的高光谱遥感图像地物分类方法
CN107194423A (zh) * 2017-05-19 2017-09-22 杭州电子科技大学 基于特征随机抽样集成超限学习机的高光谱图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015017796A2 (en) * 2013-08-02 2015-02-05 Digimarc Corporation Learning systems and methods

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320965A (zh) * 2015-10-23 2016-02-10 西北工业大学 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
CN106845418A (zh) * 2017-01-24 2017-06-13 北京航空航天大学 一种基于深度学习的高光谱图像分类方法
CN106897737A (zh) * 2017-01-24 2017-06-27 北京理工大学 一种基于超限学习机的高光谱遥感图像地物分类方法
CN107194423A (zh) * 2017-05-19 2017-09-22 杭州电子科技大学 基于特征随机抽样集成超限学习机的高光谱图像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Semisupervised Hyperspectral Image Classification via Neighborhood Graph Learning;Daniel Jiwoong Im etc.;《IEEE Geoscience and Remote Sensing Letters》;20150611;第12卷(第09期);第1913- 1917页 *
基于空谱信息挖掘和稀疏表示学习的高光谱图像分类;张二磊;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20161215(第12期);第I140-19页 *
基于集成学习的高分遥感图像玉米区高精度提取算法研究;李大威;《中国优秀博硕士学位论文全文数据库(博士)》;20170715(第07期);第D047-17页 *

Also Published As

Publication number Publication date
CN108256557A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
Zhang et al. Hyperspectral unmixing via deep convolutional neural networks
CN110084159B (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN108985238B (zh) 联合深度学习和语义概率的不透水面提取方法及***
CN109993220B (zh) 基于双路注意力融合神经网络的多源遥感图像分类方法
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN107292343B (zh) 一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法
CN108256557B (zh) 结合深度学习和邻域集成的高光谱图像分类方法
CN108830330B (zh) 基于自适应特征融合残差网的多光谱图像分类方法
CN109840560B (zh) 基于胶囊网络中融入聚类的图像分类方法
CN109410184B (zh) 基于稠密对抗网络半监督学习的直播色情图像检测方法
CN110110596B (zh) 高光谱图像特征提取、分类模型构建及分类方法
CN106845418A (zh) 一种基于深度学习的高光谱图像分类方法
Fan et al. Superpixel guided deep-sparse-representation learning for hyperspectral image classification
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN107944483B (zh) 基于双通道dcgan和特征融合的多光谱图像分类方法
CN105117736B (zh) 基于稀疏深度堆栈网络的极化sar图像分类方法
CN106203444B (zh) 基于条带波与卷积神经网络的极化sar图像分类方法
CN111222545B (zh) 基于线性规划增量学习的图像分类方法
CN104239902A (zh) 基于非局部相似性和稀疏编码的高光谱图像分类方法
CN111783884B (zh) 基于深度学习的无监督高光谱图像分类方法
CN114972885B (zh) 基于模型压缩的多模态遥感图像分类方法
CN113673556B (zh) 一种基于多尺度密集卷积网络的高光谱图像分类方法
CN111222442A (zh) 一种电磁信号分类方法和装置
CN111639587A (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN112052758A (zh) 基于注意力机制和循环神经网络的高光谱图像分类方法

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
GR01 Patent grant
GR01 Patent grant