CN111160392A - 一种基于小波宽度学习***的高光谱分类方法 - Google Patents

Abstract

本申请本申请提出了一种基于小波宽度学习***的高光谱分类方法，该方法在高光谱分类中应用了宽度学习***去训练和分类，结合了宽度学习***，相比基于传统深度学习网络的方法，可以动态地拓展节点提高***的识别率而不需要完全重新建立和训练模型，具有更加快速以及更加高效的优势；通过成像光谱仪设备对高光谱图像进行采集，再对采集的图像通过先进行去噪，在对其中的特征值进行选取和提取，最后通过小波宽度学习对图像进行分类；另外，在特征提取时采用了核主成分分析方法，并使用了小波基函数作为特征层的激励函数，这使得网络的非线性拟合能力得到提高。

Description

一种基于小波宽度学习***的高光谱分类方法

技术领域

本发明涉及机器学习、信号分类和图像处理技术领域，特别涉及一种基于小波宽度学习***的高光谱分类方法。

背景技术

高光谱技术将成像技术与光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元经过色散形成许多窄波段已经行连续的光谱覆盖，这样形成的遥感数据可以用“图像立方体”来形象描述。因此，在高光谱分类上具有一定的研究意义。

目前，对于高光谱分类的方法主要包括：基于深度卷积神经网络的高光谱分类和基于胶囊网络的高光谱分类。其中，前者深度卷积神经网络使用“局部感知，参数共享”的方法，但是在网络结构训练和微调耗时量大，大量参数导致复杂度高，而且需要大量训练样本。而基于胶囊网络的高光谱分类的计算量非常大，如果两个检测目标离得很近时，无法检测到同一类型的两个物体，而且在处理大型图像上的性能不如神经网络。目前，现有的高光谱分类方法大部分是基于深度学习进行研究的。

近年来，国内外开展了大量关于高光谱分类的研究，包括：高光谱图像的采集研究、预处理的研究、对特征提取与计算的研究以及特征分类模型的研究等等。目前，常用的分类模型都是基于经典的机器学习算法，比如BP神经网络、卷积神经网络、胶囊网络等等。然而这些经典的网络模型在训练过程中都会消耗大量的时间。

发明内容

本申请的目的是提供一种基于小波宽度学习***的高光谱分类方法，用以在保证识别率的前提下提高分类速度和效率。

为了实现上述任务，本申请采用以下技术方案：

一种基于小波宽度学习***的高光谱分类方法，包括以下步骤：

通过成像光谱仪获得多张待分类的高光谱图像，并对高光谱图像的种类进行分类；将待分类的高光谱图像进行预处理，得到预处理后的高光谱图像；

对预处理后的高光谱图像进行特征选择和提取，包括：选择高光谱图像的颜色特征、纹理特征和形状特征，将高光谱图像的颜色特征、纹理特征和形状特征作为核主成分分析方法的输入，通过将低维输入空间中的数据映射到高维特征空间，利用核函数进行空间转换，在高维特征空间中使用主成分分析计算出特征值和特征向量，然后将各个成分排序，选出主要的特征向量作为小波宽度学习***的输入向量；

将高光谱图像的种类数作为小波宽度学习***的输出节点数，将主成分分析方法筛选出的特征向量生成小波宽度学习***的特征节点，将特征节点数作为小波宽度学习***的输入节点数，并进行以下分类过程：

利用输入的特征向量映射的特征作作为网络的特征节点：

其中，x表示输入向量，n为小波基函数总个数，

为第i个小波基函数，a_i和b_i分别为映射的权值、转移参数和放缩参数，这些参数在初始化中是随机生成并利用k-mean算法更新；

每次小波基函数中的参数随机生成并更新时，会得到一组特征节点集合Zⁿ；

利用特征节点集合Zⁿ，映射增量节点，映射的特征节点被增强为随机生成权重的增强节点：

H^m＝ξ(ZⁿW_h+β_h)

其中W_h和β_h分别为增量节点的权值和阈值参数，这部分参数在初始化时随机生成便固定不需要更新；ξ(·)是激励函数，m表示增强节点的数目；

利用训练集对小波宽度学习***进行训练，训练过程中，利用伪逆值和脊回归算法获得输出节点的权值参数：

W^all＝[Zⁿ|H^m]⁺Y

其中Y为训练集的参考输出，而[Zⁿ|H^m]⁺为[Zⁿ|H^m]的伪逆值；

对于输入到小波宽度学习***中的特征向量，***的输出为

根据***的输出识别高光谱图像中的具体事物以达到对高光谱图像进行分类的目的。

进一步地，所述预处理包括：

根据高光谱图像强烈的谱间相关性和图谱合一的特点，对每一张待分类的高光谱图像进行小波去噪，采用以下公式：

其中，λ为滤波阈值，W表示处理前小波系数，sgn()表示符号取定函数，h表示滤波因子。

进一步地，所述的高光谱图像的颜色特征包括：

表示颜色均值的特征：

表示颜色方差的特征：

表示颜色不对称性的特征：

其中，P_ji为图像的第j个像素的第i个颜色分量值，N表示图像中包含的像素数。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现前述基于小波宽度学习***的高光谱分类方法的步骤。

一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现前述基于小波宽度学习***的高光谱分类方法的步骤。

本申请具有以下技术特点：

1.本申请提供的方法中，由于宽度学习不采用深度的结构，基于单隐层神经网络而建设，宽度学习***与深度神经网络不同的是，在精度不够准确时，神经网络会采用增加层数或者调整参数个数的方式达到目的，而宽度学习***可以采用横向扩展的方式，同时无需完整网络再训练，因此相比基于传统深度学习网络可以更快地完成模型的训练以及参数的确定。

2.本申请提供的方法相比基于传统深度学习网络的方法，可以动态地拓展节点提高***的识别率而不需要完全重新建立和训练模型。

附图说明

图1为本方法的流程示意图；

图2为小波宽度学习***的结构示意图。

具体实施方式

本申请提出了一种基于小波宽度学习***的高光谱分类方法，该方法在高光谱分类中应用了宽度学习***去训练和分类，结合了宽度学习***相比深度学习网络具有更加快速以及更加高效的优势；通过成像光谱仪设备对高光谱图像进行采集，再对采集的图像通过先进行去噪，在对其中的特征值进行选取和提取，最后通过小波宽度学习对图像进行分类；另外，在特征提取时采用了核主成分分析方法，并使用了小波基函数作为特征层的激励函数，这使得网络的非线性拟合能力得到提高。

如图1所示，本申请的一种基于小波宽度学习***的高光谱分类方法，包括以下步骤：

步骤1，通过成像光谱仪获得多张待分类的高光谱图像，并对高光谱图像的种类进行分类。

该步骤中，针对相应的图像对高光谱的种类进行分类，本实施例中，高光谱图像的种类记为n种；将待分类的高光谱图像作为输入。

步骤2，对每张待分类的高光谱图像进行预处理。

受到环境影响，在成像光谱仪采集高光谱图像时会引入大量噪音，从而对图像分析带来不利的影响。本实施例中根据高光谱图像强烈的谱间相关性和图谱合一的特点，对每一张待分类的高光谱图像进行小波去噪，采用以下公式：

其中，λ为滤波阈值，W表示处理前小波系数，sgn()表示符号取定函数，h表示滤波因子。由于高光谱图像经过小波变换后，得到一个稀疏矩阵，大部分系数很小(或者是0值)，只有少数系数具有大值，信号能量集中在几个大值的系数上。而噪声经过小波变换之后，则在整个小波域中产生一个离散分布的噪声能量，这些噪声小波系数都比较小，在这种前提下，设定一个合适的阈值门限，可以保留有用信号系数。大量实验表明此去噪方法对高光谱图像去噪非常有效。

步骤3，对预处理后的高光谱图像进行特征选择和提取。

由于高光谱图像数据信息谱图合一的特点，基于图像的特征提取可以提取样本的空间分布特征信息，该特征也可以用于反应样本信息。通常选取的图像特征有颜色特征、纹理特征和形状特征。

其中，颜色特征反应了图像的整体特征，表示为：

表示颜色均值的特征：

表示颜色方差的特征：

表示颜色不对称性的特征：

如果图像颜色完全对称，其值为零。

其中P_ji为图像的第j个像素的第i个颜色分量值，N表示图像中包含的像素数。

图像的纹理特征是由图像上地物重复排列造成的灰度值有规则的分布，它不同于灰度和颜色等图像特征。图像的纹理特征反映了其固有属性，能够体现图像的重要信息。

形状特征描述的是图像的一种局部特征，是其在局部区域的几何性质。

本申请的实施例中，通过核主成分分析方法(KPCA)对高光谱进行特征提取。将所述的颜色特征、纹理特征、形状特征作为核主成分分析方法的输入，其中，核主成分是一类有效处理非线性问题的方法，通过非线性映射h，将低维输入空间X中的数据(由颜色特征、纹理特征、形状特征的数据组成)映射到高维特征空间F，通过核函数进行空间转换，在F空间中使用主成分分析计算出特征值和特征向量，然后将各个成分排序，选出主要的特征向量。

核主成分的基本思想是将核方法应用到主成分分析中，首先通过变换h实现了输入空间X到特征空间F的映射，定义核函数K(x_i,x_j)＝<h(x_i),h(x_j)>，则特征空间中两向量的内积可用输入空间中的两向量的核函数表示，此时输入空间的样本点x₁,x₂,...,x_i变换为特征空间的样本点h(x₁),h(x₂),...,h(x_i)，h()表示由映射得到的高维特征空间的样本；然后在特征空间中使用主成分分析。

串联上述选出的高光谱图像的各个特征向量，即将***的输入生成的不同组特征节点，如图2所示，然后把各个特征对应特征向量作为小波宽度学习分类***的输入向量。

步骤4，根据步骤1定义的高光谱图像的种类以及步骤4中特征的数量设计小波宽度学习***的输入输出节点；其中，将高光谱图像的种类数作为小波宽度学习***的输出节点数，将主成分分析方法筛选出的特征向量生成小波宽度学习***的特征节点，将特征节点数作为小波宽度学习***的输入节点数。

将各个特征对应特征向量输入小波宽度学习***，作为深度学习网络的替代方法，具体处理过程如下：

首先，利用输入的特征向量映射的特征作为网络的特征节点；其次，映射的特征节点被增强为随机生成权重的增强节点；最后，所有映射特征节点与增强节点直接连接到输出节点，对应的权值参数可以通过伪逆求出，如图2，然后进行分类。

小波宽度学习***的具体处理步骤如下：

步骤5.1，利用输入的特征向量映射的特征作作为网络的特征节点：

其中，x表示输入向量，此处的x是指小波宽度学习***的所有输入向量，基于小波函数，通过随机生成的权值、转移参数和放缩参数可以映射出不同组的特征节点；n为小波基函数总个数，根据高光谱图像的复杂性选择的n，以及下面增强节点中的数目m。

其中w_i，a_i和b_i分别为映射的权值、转移参数和放缩参数，这些参数在初始化中是随机生成并利用k-mean算法更新。

为第i个小波基函数，其中n为小波基函数总个数。

步骤5.2，每次小波基函数中的参数随机生成并更新时，会得到一组特征节点集合：

Zⁿ＝[Z₁,Z₂,......,Z_n]

步骤5.3，利用特征节点集合Zⁿ，映射增量节点，映射的特征节点被增强为随机生成权重的增强节点：

H^m＝ξ(ZⁿW_h+β_h)

其中W_h和β_h分别为增量节点的权值和阈值参数，这部分参数在初始化时随机生成便固定不需要更新；ξ(·)是激励函数，本实施例中使用sigmoid函数。

步骤5.4，利用训练集对小波宽度学习***进行训练，训练过程中，利用伪逆值和脊回归算法获得输出成的权值参数：

W^all＝[Zⁿ|H^m]⁺Y

其中Y为训练集的参考输出，而[Zⁿ|H^m]⁺为[Zⁿ|H^m]的伪逆值。在测试和实用过程中，可直接映射出输出节点：

步骤5.5，保存训练好的小波宽度学习***，在进行高光谱图像的分类过程中，将待分类的高光谱图像预处理，并进行特征选择、提取之后，将提取的特征向量输入训练好的小波宽度学习***中，***得出的输出

根据***的输出识别高光谱图像中的具体事物以达到对高光谱图像进行分类的目的。

Claims (5)

1.一种基于小波宽度学习***的高光谱分类方法，其特征在于，包括以下步骤：

通过成像光谱仪获得多张待分类的高光谱图像，并对高光谱图像的种类进行分类；将待分类的高光谱图像进行预处理，得到预处理后的高光谱图像；

对预处理后的高光谱图像进行特征选择和提取，包括：选择高光谱图像的颜色特征、纹理特征和形状特征，将高光谱图像的颜色特征、纹理特征和形状特征作为核主成分分析方法的输入，通过将低维输入空间中的数据映射到高维特征空间，利用核函数进行空间转换，在高维特征空间中使用主成分分析计算出特征值和特征向量，然后将各个成分排序，选出主要的特征向量作为小波宽度学习***的输入向量；

将高光谱图像的种类数作为小波宽度学习***的输出节点数，将主成分分析方法筛选出的特征向量生成小波宽度学习***的特征节点，将特征节点数作为小波宽度学习***的输入节点数，并进行以下分类过程：

利用输入的特征向量映射的特征作为网络的特征节点：

其中，x表示输入向量，n为小波基函数总个数，

为第i个小波基函数，w_i，a_i和b_i分别为映射的权值、转移参数和放缩参数，这些参数在初始化中是随机生成并利用k-mean算法更新；

每次小波基函数中的参数随机生成并更新时，会得到一组特征节点集合Zⁿ；

利用特征节点集合Zⁿ，映射增量节点，映射的特征节点被增强为随机生成权重的增强节点：

H^m＝ξ(ZⁿW_h+β_h)

其中W_h和β_h分别为增量节点的权值和阈值参数，这部分参数在初始化时随机生成便固定不需要更新；ξ(·)是激励函数，m表示增强节点的数目；

利用训练集对小波宽度学习***进行训练，训练过程中，利用伪逆值和脊回归算法获得输出节点的权值参数：

W^all＝[Zⁿ|H^m]⁺Y

其中Y为训练集的参考输出，而[Zⁿ|H^m]⁺为[Zⁿ|H^m]的伪逆值；

对于输入到小波宽度学习***中的特征向量，***的输出为

根据***的输出识别高光谱图像中的具体事物以达到对高光谱图像进行分类的目的。

2.根据权利要求1所述的基于小波宽度学习***的高光谱分类方法，其特征在于，所述预处理包括：

根据高光谱图像强烈的谱间相关性和图谱合一的特点，对每一张待分类的高光谱图像进行小波去噪，采用以下公式：

其中，λ为滤波阈值，W表示处理前小波系数，sgn()表示符号取定函数，h表示滤波因子。

3.根据权利要求1所述的基于小波宽度学习***的高光谱分类方法，其特征在于，所述的高光谱图像的颜色特征包括：

表示颜色均值的特征：

表示颜色方差的特征：

表示颜色不对称性的特征：

其中，P_ji为图像的第j个像素的第i个颜色分量值，N表示图像中包含的像素数。

4.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现根据权利要求1至3中任一权利要求所述方法的步骤。

5.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现根据权利要求1至3中任一权利要求所述方法的步骤。

Images