CN112733775A - 基于深度学习的高光谱影像分类方法 - Google Patents
基于深度学习的高光谱影像分类方法 Download PDFInfo
- Publication number
- CN112733775A CN112733775A CN202110063969.3A CN202110063969A CN112733775A CN 112733775 A CN112733775 A CN 112733775A CN 202110063969 A CN202110063969 A CN 202110063969A CN 112733775 A CN112733775 A CN 112733775A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- training
- deep learning
- image classification
- classification
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000013519 translation Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于深度学***移和偏移现象。本发明,通过利用深度学习的方法,将高光谱影像分类固定化、流程化以及简易化,高光谱影像分类时,只需要导入原始高光谱影像到训练模型中即可快速进行分类,在一定程度上简化了高光谱影像分类的难度,提升了图像分类的效率,减轻了图像集中分类工作量,大大提高图像分类的准确度;同时利用基于ReLu的反向传播算法对样本集和测试集进行降维处理,大大减少了模型分类过程中的运算量。
Description
技术领域
本发明涉及图像分类技术领域,具体为基于深度学习的高光谱影像分类方法。
背景技术
光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像,遥感技术经过20世纪后半叶的发展,无论在理论上、技术上和应用上均发生了重大的变化。其中,高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器,即成像光谱仪,在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像。
在进行高光谱分析时,随着计算的波段数目变多,影像分类精度会出现先增加到一定程度再降低的情况,这就是“Hughes”现象,在分析多维数据时,如果采取统计模式的方法进行识别,一般认为在特征空间内,每一种模式都服从正态分布,先对已有的样本进行训练,获得统计模型分布的大概参数值,然后建立分类器进行分类,在数据维数较低时,训练样本与空间维数相比较,训练样本占较大比重,所以能够得到比较精确的参数估计,然而,对包含有数百个波段的高光谱影像进行处理时,训练样本的数目不能满足特征空间维数增加的要求,从而无法准确估算出参数。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于深度学习的高光谱影像分类方法,解决了现有技术中存在的缺陷与不足。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:基于深度学习的高光谱影像分类方法,包括以下具体步骤:
S1、获取高光谱遥感影像数据集,对数据集进行设定特征区间;
S2、高光谱数据进行预处理,修正光谱数据的基线平移和偏移现象;
S3、构建高光谱数据训练样本集和测试集;
S4、利用深度学习模型对高光谱遥感影像数据集进行训练;
S5、利用训练后模型对高光谱遥感影像数据集分类;
S6、分类结果的评估。
优选的,所述步骤1中设定特征区间具体方式如下:
1)将获取的高光谱遥感影像数据集进行分段处理,标记为A1、A2...An,将一段连续的高光谱遥感影像划分为若干个相同长度的区段,标记为A1-1、A1-2...A1-n;
2)将上述每一个相同长度的区段进行特征值的提取,提取的特征值标记为A1-1-j、A1-2-j...A1-n-j。
优选的,所述步骤2中采用多元散射校正算法进行预处理,具体方式如下:
1)、根据计算求得所有高光谱数据的平均值作为基准光谱,其计算公式如下:
2)、将每个高光谱与平均光谱进行一元线性回归,求解最小二乘问题得到每个高光谱数据基线平移量和偏移量,其计算公式如下:
3)、对每个高光谱进行校正,减去求得的基线平移量后除以偏移量,得到校正后的光谱,其计算公式如下:
优选的,所步骤3中具体方式如下:将高光谱遥感影像数据集拆分为训练集和测试集,通过分类算法将训练集和测试集分别随机组合,其中分类算法可选择SVM、决策树或贝叶斯等,利用递归找到训练集和测试集中的决定性特征,从数据中众多的特征中选择一个特征作为当前节点的***标准,假设一个分类集合的样本空间为(V,R),V表示样本,R表示n个类别,可能的取值是L1、L2...Ln,每一个类别出现的概率是P(L1),P(L2)...P(Ln),然后计算出结点的条件增益率。
优选的,所述步骤4中对数据集训练时利用基于ReLu的反向传播算法对样本集和测试集进行降维处理,假设输入向量为x,经ReLu函数变换后得到向量r,其e对x的梯度为:
训练过程中,将每一批训练之后的样本集和测试集再次调入到深度学习模型中进行迭代训练,迭代训练次数至少为10次,并将训练参数依次记录。
优选的,所述步骤5中对高光谱遥感影像数据集分类时,将大数据中的高光谱遥感影像数据集直接导入到训练后模型中,利用训练后模型对数据一键生成分类结果。
优选的,所述步骤6中将模型分类结果进行人工比对,分析分类结果中的OA值、AA值以及Kappa值,其中OA>95%,AA>90%,Kappa>90%。
(三)有益效果
本发明提供了基于深度学习的高光谱影像分类方法。具备以下有益效果:
本发明,通过利用深度学习的方法,将高光谱影像分类固定化、流程化以及简易化,高光谱影像分类时,只需要导入原始高光谱影像到训练模型中即可快速进行分类,在一定程度上简化了高光谱影像分类的难度,提升了图像分类的效率,减轻了图像集中分类工作量,大大提高图像分类的准确度;同时利用基于ReLu的反向传播算法对样本集和测试集进行降维处理,大大减少了模型分类过程中的运算量。
附图说明
图1为本发明流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
如图1所示,本发明实施例提供基于深度学习的高光谱影像分类方法,包括以下具体步骤:
S1、获取高光谱遥感影像数据集,对数据集进行设定特征区间,其中设定特征区间具体方式如下:
1)将获取的高光谱遥感影像数据集进行分段处理,标记为A1、A2...An,将一段连续的高光谱遥感影像划分为若干个相同长度的区段,标记为A1-1、A1-2...A1-n;
2)将上述每一个相同长度的区段进行特征值的提取,提取的特征值标记为A1-1-j、A1-2-j...A1-n-j;
S2、高光谱数据进行预处理,修正光谱数据的基线平移和偏移现象,其中采用多元散射校正算法进行预处理,具体方式如下:
1)、根据计算求得所有高光谱数据的平均值作为基准光谱,其计算公式如下:
2)、将每个高光谱与平均光谱进行一元线性回归,求解最小二乘问题得到每个高光谱数据基线平移量和偏移量,其计算公式如下:
3)、对每个高光谱进行校正,减去求得的基线平移量后除以偏移量,得到校正后的光谱,其计算公式如下:
S3、构建高光谱数据训练样本集和测试集,具体方式如下:将高光谱遥感影像数据集拆分为训练集和测试集,通过分类算法将训练集和测试集分别随机组合,其中分类算法可选择SVM、决策树或贝叶斯等,利用递归找到训练集和测试集中的决定性特征,从数据中众多的特征中选择一个特征作为当前节点的***标准,假设一个分类集合的样本空间为(V,R),V表示样本,R表示n个类别,可能的取值是L1、L2...Ln,每一个类别出现的概率是P(L1),P(L2)...P(Ln),然后计算出结点的条件增益率;
S4、利用深度学习模型对高光谱遥感影像数据集进行训练,其中对数据集训练时利用基于ReLu的反向传播算法对样本集和测试集进行降维处理,假设输入向量为x,经ReLu函数变换后得到向量r,其e对x的梯度为:
训练过程中,将每一批训练之后的样本集和测试集再次调入到深度学习模型中进行迭代训练,迭代训练次数至少为10次,并将训练参数依次记录;
S5、利用训练后模型对高光谱遥感影像数据集分类,对高光谱遥感影像数据集分类时,将大数据中的高光谱遥感影像数据集直接导入到训练后模型中,利用训练后模型对数据一键生成分类结果;
S6、分类结果的评估,模型分类结果进行人工比对,分析分类结果中的OA值、AA值以及Kappa值,其中OA>95%,AA>90%,Kappa>90%。
本发明,通过利用深度学习的方法,将高光谱影像分类固定化、流程化以及简易化,高光谱影像分类时,只需要导入原始高光谱影像到训练模型中即可快速进行分类,在一定程度上简化了高光谱影像分类的难度,提升了图像分类的效率,减轻了图像集中分类工作量,大大提高图像分类的准确度;同时利用基于ReLu的反向传播算法对样本集和测试集进行降维处理,大大减少了模型分类过程中的运算量。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于深度学习的高光谱影像分类方法,其特征在于:包括以下具体步骤:
S1、获取高光谱遥感影像数据集,对数据集进行设定特征区间;
S2、高光谱数据进行预处理,修正光谱数据的基线平移和偏移现象;
S3、构建高光谱数据训练样本集和测试集;
S4、利用深度学习模型对高光谱遥感影像数据集进行训练;
S5、利用训练后模型对高光谱遥感影像数据集分类;
S6、分类结果的评估。
2.根据权利要求1所述的基于深度学习的高光谱影像分类方法,其特征在于:所述步骤1中设定特征区间具体方式如下:
1)将获取的高光谱遥感影像数据集进行分段处理,标记为A1、A2...An,将一段连续的高光谱遥感影像划分为若干个相同长度的区段,标记为A1-1、A1-2...A1-n;
2)将上述每一个相同长度的区段进行特征值的提取,提取的特征值标记为A1-1-j、A1-2-j...A1-n-j。
4.根据权利要求1所述的基于深度学习的高光谱影像分类方法,其特征在于:所步骤3中具体方式如下:将高光谱遥感影像数据集拆分为训练集和测试集,通过分类算法将训练集和测试集分别随机组合,其中分类算法可选择SVM、决策树或贝叶斯等,利用递归找到训练集和测试集中的决定性特征,从数据中众多的特征中选择一个特征作为当前节点的***标准,假设一个分类集合的样本空间为(V,R),V表示样本,R表示n个类别,可能的取值是L1、L2...Ln,每一个类别出现的概率是P(L1),P(L2)...P(Ln),然后计算出结点的条件增益率。
6.根据权利要求1所述的基于深度学习的高光谱影像分类方法,其特征在于:所述步骤5中对高光谱遥感影像数据集分类时,将大数据中的高光谱遥感影像数据集直接导入到训练后模型中,利用训练后模型对数据一键生成分类结果。
7.根据权利要求1所述的基于深度学习的高光谱影像分类方法,其特征在于:所述步骤6中将模型分类结果进行人工比对,分析分类结果中的OA值、AA值以及Kappa值,其中OA>95%,AA>90%,Kappa>90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110063969.3A CN112733775A (zh) | 2021-01-18 | 2021-01-18 | 基于深度学习的高光谱影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110063969.3A CN112733775A (zh) | 2021-01-18 | 2021-01-18 | 基于深度学习的高光谱影像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733775A true CN112733775A (zh) | 2021-04-30 |
Family
ID=75592139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110063969.3A Pending CN112733775A (zh) | 2021-01-18 | 2021-01-18 | 基于深度学习的高光谱影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733775A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114639009A (zh) * | 2022-01-11 | 2022-06-17 | 华南农业大学 | 基于高光谱图像和机器学习的桂圆干品种分类方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038440A (zh) * | 2017-12-07 | 2018-05-15 | 河海大学 | 一种基于重叠池化的高光谱遥感影像分类方法 |
CN108072667A (zh) * | 2017-09-28 | 2018-05-25 | 江苏省电力试验研究院有限公司 | 基于高光谱的绝缘子污秽等级检测方法及*** |
CN109295159A (zh) * | 2018-10-26 | 2019-02-01 | 北京工商大学 | 香肠品质智能鉴别方法 |
CN109916838A (zh) * | 2019-03-29 | 2019-06-21 | 浙江省农业科学院 | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 |
CN110443139A (zh) * | 2019-07-05 | 2019-11-12 | 中国地质大学(武汉) | 一种面向分类的高光谱遥感影像噪声波段探测方法 |
CN110569884A (zh) * | 2019-08-16 | 2019-12-13 | 河海大学 | 基于深度学习和形态学的高光谱遥感影像分类方法 |
CN110716820A (zh) * | 2019-10-10 | 2020-01-21 | 厦门钛尚人工智能科技有限公司 | 一种基于决策树算法的故障诊断方法 |
CN111914696A (zh) * | 2020-07-16 | 2020-11-10 | 河海大学 | 一种基于迁移学习的高光谱遥感影像分类方法 |
-
2021
- 2021-01-18 CN CN202110063969.3A patent/CN112733775A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108072667A (zh) * | 2017-09-28 | 2018-05-25 | 江苏省电力试验研究院有限公司 | 基于高光谱的绝缘子污秽等级检测方法及*** |
CN108038440A (zh) * | 2017-12-07 | 2018-05-15 | 河海大学 | 一种基于重叠池化的高光谱遥感影像分类方法 |
CN109295159A (zh) * | 2018-10-26 | 2019-02-01 | 北京工商大学 | 香肠品质智能鉴别方法 |
CN109916838A (zh) * | 2019-03-29 | 2019-06-21 | 浙江省农业科学院 | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 |
CN110443139A (zh) * | 2019-07-05 | 2019-11-12 | 中国地质大学(武汉) | 一种面向分类的高光谱遥感影像噪声波段探测方法 |
CN110569884A (zh) * | 2019-08-16 | 2019-12-13 | 河海大学 | 基于深度学习和形态学的高光谱遥感影像分类方法 |
CN110716820A (zh) * | 2019-10-10 | 2020-01-21 | 厦门钛尚人工智能科技有限公司 | 一种基于决策树算法的故障诊断方法 |
CN111914696A (zh) * | 2020-07-16 | 2020-11-10 | 河海大学 | 一种基于迁移学习的高光谱遥感影像分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114639009A (zh) * | 2022-01-11 | 2022-06-17 | 华南农业大学 | 基于高光谱图像和机器学习的桂圆干品种分类方法及装置 |
CN114639009B (zh) * | 2022-01-11 | 2024-04-16 | 华南农业大学 | 基于高光谱图像和机器学习的桂圆干品种分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948693B (zh) | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 | |
CN110516596B (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
CN106203523B (zh) | 基于梯度提升决策树半监督算法融合的高光谱图像分类方法 | |
CN105354595B (zh) | 一种鲁棒视觉图像分类方法及*** | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN107844751B (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
CN103390279A (zh) | 联合显著性检测与判别式学习的目标前景协同分割方法 | |
CN105631474B (zh) | 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法 | |
CN102540271B (zh) | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 | |
CN104268556A (zh) | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
CN111007039B (zh) | 中低分辨率遥感图像亚像元级水体自动提取方法和*** | |
CN103064941A (zh) | 图像检索方法和装置 | |
CN108805061A (zh) | 基于局部自适应判别分析的高光谱图像分类方法 | |
CN108268890A (zh) | 一种高光谱图像分类方法 | |
CN115841594B (zh) | 基于注意力机制的煤矸高光谱变图像域数据识别方法 | |
CN103714340B (zh) | 基于图像分块的自适应特征提取方法 | |
CN110766657A (zh) | 一种激光干扰图像质量评价方法 | |
CN107273919B (zh) | 一种基于置信度构造类属字典的高光谱无监督分类方法 | |
EP3989126B1 (en) | Method for the automatic identification and quantification of radioisotopes in gamma spectra | |
CN112733775A (zh) | 基于深度学习的高光谱影像分类方法 | |
CN105160666A (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
CN113095218A (zh) | 一种高光谱图像目标检测算法 | |
CN110188821B (zh) | 多参数边缘保持滤波和多特征学习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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210430 |
|
WD01 | Invention patent application deemed withdrawn after publication |