CN109522859B - 基于高光谱遥感影像多特征输入的城市不透水层提取方法 - Google Patents

Abstract

本发明属于数据识别技术领域，公开了一种基于高光谱遥感影像多特征输入的城市不透水层提取方法，包括基于改进t‑SNE算法的高光谱遥感数据降维和光谱特征提取，基于深度压缩权值的CDBNs算法的空间特征提取和边界信息监测以及多特征联合的地物分类提取算子。本发明改进了分类精度，减少了对标记样本数据的依赖，减少了权值冗余，提高了算法运行效率，改善了空间特征和边界信息检测的空间和时间复杂度；通过逻辑回归分类器，构建光谱特征、空间特征和边界信息联合的UIS提取模型，有效利用光谱特征、空间特征和边界信息等综合特征提取，有效降低了地物分类结果图像中“椒盐”噪声现象。

Description

基于高光谱遥感影像多特征输入的城市不透水层提取方法

技术领域

本发明属于数据识别技术领域，尤其涉及基于高光谱遥感影像多特征输入的城市不透水层提取方法。

背景技术

目前，业内常用的现有技术是这样的：

城市不透水层(UIS)信息广泛应用在城市土地规划、城市“热岛”和“炭岛”监测、非法建筑监测、城市园林规划、城市发展评估、城市环境监测和分析等领域。随着城市化进程的不断深入，UIS信息越来越受到城市规划者和政府管理者的重视，UIS的提取方法及应用也已成为城市遥感研究领域的热点之一。UIS信息质量直接影响多种应用结果的可靠性。

高光谱影像包含上百个光谱波段信息和空间信息，利用高光谱遥感数据可以获取较丰富的地面空间特征和细微光谱信息差异，有利于鉴别性提取不同地物的特征信息。但是高光谱遥感数据在地物特征提取面临三个问题：(1)高光谱图像中丰富的光谱信息由于频谱高度密集导致光谱信息在计算机处理中容易出现不确定性，在空间结构上易导致阴影覆盖；(2)高光谱遥感影像含有较少的标记样本数据，不利于监督分类样本选择；(3)更重要的是高光谱遥感影像含有数百个光谱波段，有效的数据降维处理是高光谱图像分类处理的前提；

目前用于高光谱遥感影像降维方法较多，代表性的算法有基于监督的降维方法，如线性判别分析(Linear DiscriminantAnalysis，LDA)，局部判别嵌入(LocalDiscriminant Embedding，LDE)，局部费舍尔判别分析(Local Fisher DiscriminantAnalysis，LFDA)；非监督的降维方法，如主成分分析(Principal Component Analysis，PCA)等。这些算法降维过程通常采用舍弃一些波段信息，导致波段信息的丢失，从而减低了信息提取的精度；而且这些算法只能在较低层次上提取光谱特征信息，不能提取较高层次的特征信息，如边界信息、空间信息等；对于监督降维的算法都需要大量的标记样本数据进行训练，而非监督的降维算法的精度不能保证；

现有的t-SNE算法是一种非线性、非监督算法，比较适合高维遥感影像数据降维和光谱特征信息提取，但t-SNE算法不能完全确保对全局数据的优化和较高精度的分类，并且该算法没有预测能力，所以该算法有待进一步的改进；

光谱特征提取通常会出现“椒盐”噪声的干扰，只用光谱特征提取进行地物分类常常出现较多的错分和漏分现象，从而降低了分类精度；

现有监督分类的空间特征和光谱特征混合提取地物方法大都建立在大量训练样本和测试样本基础上的，一些算法的分类精度较高，但受到人为样本选择的影响较大，算法对特定的高光谱遥感数据质量要求较高，但由于有效样本选择的问题，这些算法缺少较强的普适性；

现有较先进的机器学习方法如支持向量机算法(Support Vector Machine，SVM)，卷积神经网络算法(ConvolutionNeuralNetworks，CNNs)，深度信任网络(DeepBeliefNetworks，DBNs)，卷积深度信任网络(Convolution Deep Belief Networks，CDBNs)等，这些算法具有较高的分类精度，但学习过程中有大量的冗余数据，运算时间和空间复杂度较高，影响特征提取的效率。其中，非监督深度学习算法CDBNs能够有效的提取地物的空间特征和边界信息，对输入数据的标记样本要求不高，但数据输入层和监测层间连接网络权值有一定的冗余。

综上所述，现有技术存在的问题是：

(1)高光谱遥感数据在地物特征提取面临三个问题：高光谱图像中丰富的光谱信息由于频谱高度密集导致光谱信息在计算机处理中容易出现不确定性，在空间结构上易导致阴影覆盖；高光谱遥感影像含有较少的标记样本数据，不利于监督分类样本选择；更重要的是高光谱遥感影像含有数百个光谱波段，有效的数据降维处理是高光谱图像分类处理的前提；

(2)算法降维过程通常采用舍弃一些波段信息，导致波段信息的丢失，从而减低了信息提取的精度；而且这些算法只能在较低层次上提取光谱特征信息，不能提取较高层次的特征信息，如边界信息、空间信息等；对于监督降维的算法都需要大量的标记样本数据进行训练，而非监督的降维算法的精度不能保证；对于监督降维的算法都需要大量的标记样本数据进行训练，而非监督的降维算法的精度不能保证；

(3)t-SNE算法不能完全确保对全局数据的优化和较高精度的分类，并且该算法没有预测能力；基于像元的光谱特征分类往往会产生“椒盐”噪声现象，只用光谱特征提取进行地物分类常常出现较多的错分和漏分现象，从而降低了分类精度；

(4)现有监督分类的空间特征和光谱特征混合提取地物方法，受到人为样本选择的影响较大，算法对特定的高光谱遥感数据质量要求较高，由于有效样本选择的问题，算法缺少较强的普适性；

(5)现有较先进的机器学习方法，学习过程中有大量的冗余数据，运算时间和空间复杂度较高，影响特征提取的效率；非监督深度学习算法CDBNs，对输入数据的标记样本要求不高，但数据输入层和监测层间连接网络权值有一定的冗余。

解决上述技术问题的难度和意义：

解决上述技术问题的难度在于以下几个方面：

(1)高光谱遥感影像本身丰富的光谱信息和细微光谱差异，在光谱特征上易导致混淆，且具有较高的数据维度，会显著提高计算复杂性和分类混淆度。有效降低光谱混淆和全尺度低失真的降维算法是技术难度之一；

(2)现有t-SNE降维算法的运算时间复杂度较高，对较少标记样本的高光谱遥感影像缺少预测能力，如何降低算法的时间复杂度，提高算法的处理低标记样本数据监督分类的精度是技术难度之一；

(3)有效减少“椒盐”噪声的干扰，提高地物分类精度，减少算法的数据冗余有一定的技术难度。

解决以上技术问题，将有利于减少单光谱特征提取时的干扰和混淆，减少特征提取数据冗余度，提高高光谱遥感影像数据降维的效果，提高算法的运行效率和分类精度。

发明内容

针对现有技术存在的问题，本发明提供了基于高光谱遥感影像多特征输入的城市不透水层提取方法。

本发明是这样实现的，基于高光谱遥感影像多特征输入的城市不透水层提取方法，包括：

通过基于改进t-SNE算法(Improved t-SNE)进行高光谱遥感数据降维和光谱特征提取，基于深度压缩权值的CDBNs算法(d-CDBNs)进行空间特征提取和边界信息监测，并通过建立多特征联合提取的地物分类器后，构建基于ROSIS-3高光谱遥感影像多特征输入的UIS提取模型MFCM，进行城市不透水层信息提取。

本发明的另一目的在于提供的基于高光谱遥感影像多特征输入的城市不透水层提取方法，具体包括以下步骤：

步骤一：在t-SNE算法的基础上，改进相邻节点搜索算法，采用哈希表搜索算法对无序的数据集进行快速查找；

步骤二：改进算法引入组内相关系数算法，对组内节点进行相似度评估；在算法光谱特征提取时嵌入逻辑回归算法；

步骤三：改进的t-SNE算法将高维的遥感数据降低到2-D数据，并进行非监督的光谱特征提取；

步骤四：引入深度压缩算法，对数据输入层和监测层间网络连接权值进行有效地压缩，改进监督CDBNs算法；

步骤五：通过改进的CDBNs算法，提取降维后数据的空间特征和边界信息；

步骤六：利用光谱特征、空间特征及边界信息等多特征执行逻辑回归分类器，有监督地提取不透水层信息。

进一步，t-SNE算法主要改进：

(1)采用哈希表搜索算法代替二分查找算法；

(2)对相邻节点相似度进行评估，改进分类精度；

(3)嵌入了逻辑回归算法增加了算法的预测性，减少了对标记样本数据的依赖。

本发明的另一目的在于提供一种实现所述基于高光谱遥感影像多特征输入的城市不透水层提取方法的计算机程序。

本发明的另一目的在于提供一种实现所述基于高光谱遥感影像多特征输入的城市不透水层提取方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于高光谱遥感影像多特征输入的城市不透水层提取方法。

本发明的另一目的在于提供一种实现所述基于高光谱遥感影像多特征输入的城市不透水层提取方法的基于高光谱遥感影像多特征输入的城市不透水层提取控制***。

综上所述，本发明的优点及积极效果为：

本发明的优势和积极效果如下表(本次结果采用的ROSIS-3高光谱数据，覆盖两个地域，Pavia university(U)和Pavia city center(C))：

本发明采用哈希表搜索算法的时间复杂度为O(1)，优于二分查找的O(lgN)，从而在相邻节点搜索上节约了算法运行时间，提高了算法运行的效率；

本发明为了提高相邻节点相似度，从而提高分类精度，改进算法引入了组内相关系数(ICC)算法，对组内节点进行相似度评估，改善相邻节点组内的相似度，提高近似光谱反射而不同地物特征的区别度，从而改善了光谱特征提取的精度；

本发明在算法光谱特征提取时嵌入了逻辑回归算法(Logistic Regression，LR)，一方面增加了特征提取过程中分类的精度，另一方，弥补了原有算法缺乏预测性的缺点，非监督分类过程中减少了对标记样本数据的依赖；

本发明改进的t-SNE算法主要负责高光谱遥感影像的降维和光谱特征提取。将高维的遥感数据降低到2-D数据，并进行非监督的光谱特征提取；

本发明引入了深度压缩算法，对数据输入层和监测层间网络连接权值进行有效地压缩，降低了权值冗余，建立最优共享权值，减少了运算的时间和空间复杂度，提高的算法的性能；改善了空间特征和边界信息检测的空间和时间复杂度；

本发明改进的CDBNs算法负责降维后数据的空间特征提取和边界信息监测；

本发明提出了将光谱特征、空间特征及边界信息等多特征混合分类的UIS提取模型(MFCM)；该模型将多特征综合信息通过监督的逻辑回归分类器提取不透水层信息。

本发明改进了t-SNE和CDBNs算法，通过逻辑回归分类器，构建了光谱特征、空间特征和边界信息联合的UIS提取模型，得到了较好的分类精度；该模型有效利用光谱特征、空间特征和边界信息等综合特征提取，有效降低了“椒盐”噪声的影响。

附图说明

图1是本发明实施例提供的基于高光谱遥感影像多特征输入的城市不透水层提取方法流程图。

图2是本发明实施例提供的基于ROSIS-3高光谱遥感影像多特征输入的UIS提取模型框架图。

图3是本发明实施例提供的改进后的t-SNE算法与常用的降维算法LDA、LFDA、LDE、PCA、t-SNE比较，在不同维度下对Pavia university数据的分类结果示意图。

图4是本发明实施例提供的改进后的t-SNE算法与常用的降维算法LDA、LFDA、LDE、PCA、t-SNE比较，在不同维度下对Pavia city center数据的分类结果示意图。

图5是本发明实施例提供的改进的t-SNE算法不同维度、不同困惑度条件下分类精度示意图。

图6是本发明实施例提供的不同困惑度条件下，改进的t-SNE算法与原t-SNE算法对两个数据集运行时间示意图。

图7是本发明实施例提供的采用几种算法对两个数据集不透水层提取的结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明改进t-SNE和CDBNs算法，通过逻辑回归分类器，构建光谱特征、空间特征和边界信息联合的UIS提取模型，得到了较好的分类精度。

本发明提供了一种基于ROSIS-3高光谱遥感影像多特征信息输入的UIS提取模型。该模型采用了改进的t分布的随机邻域嵌入算法(t-SNE)和改进后的卷积深度信任网络算法(CDBNs)及逻辑回归模型(LR)，利用高光谱遥感影像提取的光谱、空间和边缘特征，构建了一种UIS信息分类提取策略。

本发明实施例提供的基于高光谱遥感影像多特征输入的城市不透水层提取方法，包括基于ROSIS-3高光谱遥感影像多特征输入的UIS提取模型，该模型包括基于改进t-SNE算法的高光谱遥感数据降维和光谱特征提取；基于深度压缩权值的CDBNs算法(d-CDBNs)的空间特征提取和边界信息监测；多特征联合提取的地物分类器。

下面结合附图对本发明的应用原理作详细说明；

如图1所示，本发明实施例提供的基于高光谱遥感影像多特征输入的城市不透水层提取方法，具体包括以下步骤：

S101：在t-SNE算法的基础上，改进相邻节点搜索算法，采用哈希表搜索算法对无序的数据集进行快速查找；

采用已有哈希表搜索算法的时间复杂度为O(1)，优于二分查找的O(lgN)，从而在相邻节点搜索上节约了算法运行时间，提高了算法运行的效率；

S102：改进算法引入组内相关系数算法，对组内节点进行相似度评估；

在算法光谱特征提取时嵌入逻辑回归算法；组内相关系数算法改善相邻节点组内的相似度，提高近似光谱反射而不同地物特征的区别度，从而改善了光谱特征提取的精度；

S103：改进的t-SNE算法将高维的遥感数据降低到2-D数据，并进行非监督的光谱特征提取；

改进算法增加了预测功能，一方面增加了特征提取过程中分类的精度，另一方，弥补了原有算法缺乏预测性的缺点，非监督分类过程中减少了对标记样本数据的依赖；

S104：引入深度压缩算法，对数据输入层和监测层间网络连接权值进行有效地压缩，改进非监督CDBNs算法；

本发明引入了深度压缩算法，对数据输入层和监测层间网络连接权值进行有效地压缩，降低了权值冗余，建立最优共享权值，减少了运算的时间和空间复杂度，提高的算法的性能；

S105：通过改进的CDBNs算法，将降维后数据的进行空间特征提取和边界信息监测；

改进的CDBNs算法通过卷积运算、最大池化运算和稀疏规则提取2-D数据集的空间特征和边界信息；

S106：利用将光谱特征、空间特征及边界信息等多特征混合分类的UIS提取模型(MFCM)将多特征综合信息通过监督的逻辑回归分类器提取不透水层信息；

MFCM是Multi-features Cooperation Model的缩写，本模型是将空间特征、边界信息与光谱特征共同提取高光谱遥感影像不透水层，多特征提取方法有助于减少光谱特征提取过程中混淆和“椒盐”噪声的干扰。

本发明实施例提供的t-SNE算法主要改进：

(1)采用哈希表搜索算法代替二分查找算法；

(2)对相邻节点相似度进行评估，改进分类精度；

(3)嵌入了逻辑回归算法增加了算法的预测性，减少了对标记样本数据的依赖。

如图2所示，本发明实施例提供的基于ROSIS-3高光谱遥感影像多特征输入的UIS提取模型框架图。

本发明提出了将光谱特征、空间特征及边界信息等多特征混合分类的UIS提取模型(MFCM)；该模型将多特征综合信息通过监督的逻辑回归分类器提取不透水层信息。

下面结合具体实施例对本发明的应用原理进行进一步说明；

实施例1；

本发明主要技术包括以下七个方面：

(1)本发明在t-SNE算法的基础上，改进了相邻节点搜索算法，采用了哈希表搜索算法代替原来的二分查找算法。哈希表算法可以对无序的数据集进行快速查找，二分查找是建立在有序的数据集基础上的查找算法，而对于高光谱遥感影像数据集相似数据点是无序的。哈希表搜索算法的时间复杂度为O(1)，优于二分查找的O(lgN)，从而在相邻节点搜索上节约了算法运行时间，提高了算法运行的效率；

(2)为提高相邻节点相似度，从而提高分类精度，改进算法引入了组内相关系数(ICC)算法，对组内节点进行相似度评估，改善相邻节点组内的相似度，提高近似光谱反射而不同地物特征的区别度，从而改善了光谱特征提取的精度；

(3)为增加改进t-SNE算法的预测性，减少对标记样本数据的依赖，在算法光谱特征提取时嵌入了逻辑回归算法(Logistic Regression，LR)，一方面增加了特征提取过程中分类的精度，另一方，弥补了原有算法缺乏预测性的缺点，非监督分类过程中减少了对标记样本数据的依赖；

(4)改进的t-SNE算法主要负责高光谱遥感影像的降维和光谱特征提取。将高维的遥感数据降低到2-D数据，并进行非监督的光谱特征提取；

(5)本发明改进了非监督CDBNs算法。为减低CDBNs算法可见层、隐藏层和池化层之间的权值冗余。本发明引入了深度压缩算法，对数据输入层和监测层间网络连接权值进行有效地压缩，降低了权值冗余，建立最优共享权值，减少了运算的时间和空间复杂度，提高的算法的性能；

(6)改进的CDBNs算法负责降维后数据的空间特征提取和边界信息监测；

(7)本发明提出了将光谱特征、空间特征及边界信息等多特征混合分类的UIS提取模型(MFCM)。该模型将多特征综合信息通过监督的逻辑回归分类器提取不透水层信息。

下面结合具体实验对本发明的应用结果进行进一步说明；

实验1；

本发明构建了基于ROSIS-3高光谱遥感影像多特征输入的UIS提取模型(MFCM)，该模型主要包括三个部分：(1)基于改进t-SNE算法(Improved t-SNE)的高光谱遥感数据降维和光谱特征提取；(2)基于深度压缩权值的CDBNs算法(d-CDBNs)的空间特征提取和边界信息监测；(3)多特征联合提取的地物分类器。

本发明利用ROSIS-3高光谱遥感数据集(Pavia university and Pavia citycenter)进行实验和算法性能测试，采用计算机的主要性能指标为：CPU：Inter core i5-4200U，主频：2.3GHz，4核4线程，8GB RAM，Windows 7操作***(64位)。采用了性能评价指标有生产精度(PA)，用户精度(UA)，Kappa系数(Kappa)，总体精度(OA)，平均精度(AA)等。其主要效果如下：

(1)改进的t-SNE算法经LR分类器可获得最高总体分类精度为82.63％，比原有的t-SNE算法高出4.22％，比其他常用的降维算法(LDA、LDE、LFDA、PCA、t-SNE)精度平均高出7.13％，算法分类结果如表1和图3、4所示。其中表1展示了当数据集降维到2-D时，采用LR分类器，改进的t-SNE算法与常用降维算法执行结果

如图3所示，本发明实施例提供的改进后的t-SNE算法与常用的降维算法LDA、LFDA、LDE、PCA、t-SNE比较，在不同维度下对Pavia university数据的分类结果示意图。

如图4所示，本发明实施例提供的改进后的t-SNE算法与常用的降维算法LDA、LFDA、LDE、PCA、t-SNE比较，在不同维度下对Pavia city center数据的分类结果示意图。

为不同维度下，采用LR分类器，改进的t-SNE算法与常用算法对两种数据集分类结果的比较。两种数据集降维到2-D时，经LR分类器所得到的分类结果表1：改进的t-SNE算法与常用降维算法(LDA、LDE、LFDA、PCA、t-SNE)比较。

(2)改进的t-SNE算法在不同维度、不同困惑度条件下分类精度如图5所示，测试维度范围：2-12，困惑度范围：10-100，两个数据集在困惑度为50，维度为6时取得最高测试精度；

如图5所示，改进的t-SNE算法不同维度、不同困惑度条件下分类精度示意图。

在本次测试数据范围内，当困惑度为50，维度为6时，测试数据获得最高分类精度:(a)Pavia university数据，最高分类精度为84.23％；(b)Pavia city center数据，最高分类精度为87.87％。

(3)在时间复杂测试中，测试了t-SNE算法和改进的t-SNE算法，分别对两个数据集降维到2-D，迭代次数1000次，两种算法在不同困惑度下的运行时间如图6所示，改进的t-SNE算法比原t-SNE算法时间复杂度平均减少了17.23秒；

如图6所示，本发明实施例提供的不同困惑度条件下，改进的t-SNE算法与原t-SNE算法对两个数据集运行时间示意图。

U：Pavia university；C：Pavia city center。

(4)深度压缩数据输入层和监测层间网络连接权值的CDBNs算法(d-CDBNs)，在时间复杂度和空间复杂度都有减少，d-CDBNs算法相对原CDBNs算法，在运行时间和空间上，最高分别减少为74.9秒和27.4M，权值压缩后并不影响算法的分类精度。

本发明采用了压缩为4倍数，最大池化层常量C＝2，分别对两个数据集进行测试，其结果如表2、3所示：

表2：CDBNs算法和改进后的算法(d-CDBNs)在Pavia university scene测试结果。

表3：CDBNs算法和改进后的算法(d-CDBNs)在Pavia city center测试结果。

(5)本发明提出的UIS提取模型(MFCM)，混合了光谱特征、空间特征和边界特征，利用LR分类器构成了多特征联合的不透水层提取策略。该模型分别对上述两个数据集进行了不透水层的提取测试，该模型总体分类精度比单一光谱特征提取精度平均高16.11％。为表现MFCM模型的性能，实验测试了MFCM模型，并对比了常用较先进的机器学习算法(SVM，CNNs，DBNs和CDBNs)。实验结果为，本MFCM模型的精度比常用算法提高不低于4.6％。这几种算法对两个数据集不透水层提取的结果如图7所示。

如图7所示，本发明实施例提供的采用几种算法对两个数据集不透水层提取的结果示意图。

图中(a)和(g)为两个数据假彩色影像图分别为band(46，27，10)和band(85，60，5)，(b)-(f)为Pavia university；(h)-(l)为Pavia city center，依次顺序为：SVM，CNNs，DBNs、CDBNs算法和MFCM模型。

本发明中测试数据采用了德国ROSIS-3传感器的两种高光谱遥感数据，分别Paviauniversity和Pavia city center，两种影像的空间分辨率为1.3m，电磁波谱范围从0.43到0.86μm，其中Pavia university数据集选用103个有效波段，每个波段有610×340像素，Pavia city center数据集选用102个有效波段，每个波段有1096×715个像素。

本发明由于算法初始化参数不同，得到的精度也不同，算法中涉及的主要参数有：相邻节点困惑度，迭代次数，降低维度，相关系数，隐藏层个数，深度压缩率，像素过滤窗口大小等。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于高光谱遥感影像多特征输入的城市不透水层提取方法，其特征在于，所述的基于高光谱遥感影像多特征输入的城市不透水层提取方法，包括：

在t-SNE算法的基础上，利用哈希表搜索算法对无序的数据集进行快速查找，改进相邻节点搜索算法；采用组内相关系数算法，对组内节点进行相似度评估；算法在光谱特征提取时嵌入了逻辑回归算法；

通过基于改进t-SNE算法进行高光谱遥感数据降维和光谱特征提取，基于深度压缩权值的CDBNs算法进行空间特征提取和边界信息监测；

再通过建立多特征联合提取的地物分类器，构建基于ROSIS-3高光谱遥感影像多特征输入的UIS提取模型MFCM，进行城市不透水层信息提取。

2.基于高光谱遥感影像多特征输入的城市不透水层提取方法，其特征在于，所述的基于高光谱遥感影像多特征输入的城市不透水层提取方法，具体包括以下步骤：

步骤一：在t-SNE算法的基础上，改进相邻节点搜索算法，采用哈希表搜索算法对无序的数据集进行快速查找；

步骤二：改进算法引入组内相关系数算法，对组内节点进行相似度评估；在算法光谱特征提取时嵌入逻辑回归算法；

步骤三：改进的t-SNE算法将高维的遥感数据降低到2-D数据，并进行非监督的光谱特征提取；

步骤四：引入深度压缩算法，对数据输入层和监测层间网络连接权值进行有效地压缩，改进非监督CDBNs算法；

步骤五：通过改进的CDBNs算法，将降维后数据的空间特征提取和边界信息监测；

步骤六：利用将光谱特征、空间特征及边界信息多特征混合分类的UIS提取模型MFCM将多特征综合信息通过监督的逻辑回归分类器提取不透水层信息。

3.如权利要求2所述的基于高光谱遥感影像多特征输入的城市不透水层提取方法，其特征在于，所述改进的t-SNE算法为：

(1)采用哈希表搜索算法代替二分查找算法；

(2)对相邻节点相似度进行评估，改进分类精度；

(3)嵌入了逻辑回归算法增加了算法的预测性，减少了对标记样本数据的依赖。

4.一种实现权利要求1～3任意一项所述基于高光谱遥感影像多特征输入的城市不透水层提取方法的信息数据处理终端。

5.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-3任意一项所述的基于高光谱遥感影像多特征输入的城市不透水层提取方法。

6.一种实现权利要求1～3任意一项所述基于高光谱遥感影像多特征输入的城市不透水层提取方法的基于高光谱遥感影像多特征输入的城市不透水层提取控制***。

Images