[发明专利]基于深度学习的高光谱遥感数据分类方法

说明书

技术领域

本发明涉及基于深度学习的高光谱遥感数据分类方法，属于高光谱数据分类技术领域。

背景技术

随着机载及星载高光谱传感器的成功研制，对遥感数据的光谱分辨力得到了极大的提高，它使多光谱遥感不能解决的问题得以解决，与此同时，高维数据的处理也成为了一个急需解决的问题。数据的高维度来自于高的光谱分辨率，对于光谱分辨率达到纳米级的高光谱遥感在光谱上的数据维可以达到数百维，而众多在低维空间表现很好的算法，在高光谱数据的高维空间内受到了很大限制。

目前，解决高光谱数据高维度问题的主流方法是特征提取。然而对于高光谱数据中蕴含的非线性特征，是否采用了适当的特征提取方法对于高光谱数据的分类有着至关重要的影响。现有对蕴含非线性特征的高光谱数据分类方法存在分类精度低，适用性差的缺陷。

发明内容

本发明目的是为了解决现有对蕴含非线性特征的高光谱数据进行分类的方法存在分类精度低的问题，提供了一种基于深度学习的高光谱遥感数据分类方法。

本发明所述基于深度学习的高光谱遥感数据分类方法，它包括以下步骤：

步骤一：读取高光谱原始数据，采用主成分分析法获得高光谱原始数据的特征值和特征向量，进而获得高光谱原始数据的光谱特征向量；再对高光谱原始数据的光谱特征向量进行邻域信息提取，获得高光谱原始数据的空间特征信息；

步骤二：对高光谱原始数据的光谱特征向量和空间特征信息进行整合，获得高光谱整合数据；

步骤三：由高光谱整合数据确定标记样本，并由标记样本中选择训练样本和测试样本；

步骤四：基于深度学习方法，使用训练样本对构成深层网络的多层限制玻尔兹曼机进行预训练，以深层的学习高光谱整合数据特征并提取特征；

步骤五：在步骤四预训练的基础上，使用训练样本对多层限制玻尔兹曼机构成的网络进行有监督学习，以微调多层限制玻尔兹曼机构成的网络；

步骤六：将测试样本输入微调后的多层限制玻尔兹曼机构成的网络，实现高光谱遥感数据的分类。

高光谱原始数据的光谱特征向量的获得方法为：

首先计算出高光谱原始数据的协方差矩阵，根据协方差矩阵采用主成分分析法计算获得所有高光谱原始数据的特征值和特征向量，并按照特征值从大到小的顺序，排列相应的特征向量；使用特征向量作为加权系数计算获得所有特征向量的B个波段主成分分量，将所有包含B个波段主成分分量的特征向量作为高光谱原始数据的光谱特征向量；B为正整数；

高光谱原始数据的空间特征信息的获得方法为：

选取高光谱原始数据的光谱特征向量的B个波段主成分分量中排列在前的N个主成分分量，将N个主成分分量中每一个主成分分量作为一幅二维灰度图像；对每幅二维灰度图像进行如下处理：

选定二维灰度图像中任意一个像素点，该像素点的位置坐标为(x_i，y_i)，以该像素点为中心确定一个w×w的邻域，w为大于1的奇数，将领域内w²个像素点的灰度值作为该二维灰度图像中选定像素点在主成分分量P_n下的特征向量，其中n＝1，2，…，N；由此，获得N个主成分分量在同一坐标位置的像素点的长度为N×w²的特征向量，将所述长度为N×w²的特征向量作为像素点(x_i，y_i)的空间特征信息。

获得高光谱整合数据的具体方法为：将高光谱原始数据中像素点(x_i，y_i)的光谱信息视为长度为B的光谱特征向量，将高光谱原始数据中所有在同一坐标位置的像素点(x_i，y_i)、长度为B的光谱特征向量和长度为N×w²的空间特征信息，整合为长度为(B+N×w²)的向量，作为高光谱整合数据。

步骤三中由高光谱整合数据确定标记样本，并由标记样本中选择训练样本和测试样本的方法为：

首先读取高光谱整合数据，该高光谱整合数据以三维矩阵的形式存储，它由二维的空间特征信息和一维的光谱特征向量组成；与高光谱整合数据各像素点空间位置对应的真实地物标记图为二维矩阵，该二维矩阵作为监督数据，监督数据以整数值的形式标记真实地物标记图中相应像素点的地物类别，使具有同一地物类别的像素点具有相同的标记整数值，所有标记整数值形成标记样本；