[发明专利]一种基于深度学习的高光谱图像分类方法

权利要求书

1.一种基于深度学习的高光谱图像分类方法，其特征在于：包括以下步骤：

步骤(1)输入高光谱遥感图像数据，每个像素即样本用光谱特征向量表示，样本的特征维数为d，将样本集合归一化到0～1之间，所有归一化的样本构成样本集，其中x_i为第i个样本，N为样本总个数；

步骤(2)对自编码网络的基本组成单位——自动编码机进行自下而上的逐层训练；

步骤2a)首先初始化自动编码的的网络参数θ＝{W₁,W₂,b₁,b₂}，W₁和b₁是输入层到隐层的权重和偏置，W₂和b₂是隐层到重构层的权重和偏置，初始化b₁和b₂分别为全零的m维和n维的向量，W₁＝rand(m,n)×2e-e，W₂＝rand(n,m)×2e-e，其中，rand(m,n)和rand(n,m)分别是从0到1间随机取值的m×n和n×m矩阵；

步骤2b)调整自动编码机的网络参数θ，使得输入层和重构层的差距达到最小；

步骤2c)最底层的自动编码机训练完毕后，将下一层自动编码机的隐藏层输出作为上一层的输入层的输入，逐层训练自动编码机，最终得到整个自编码网络的初始化参数；

步骤(3)展开的自编码深度网络采用BP算法对预训练得到的初始权值进一步调整，进一步减少误差，BP算法的目标函数采用交叉熵函数：

$H_m=-\underset{i=1}{\overset{m}{\Σ}}\[x_{i}ln{y}_i+(1-x_i)ln(1-y_i)\]$

其中，x_i是自编码网络输入向量的第i个分量，y_i代表经过自编码网络重构后的数据的第i个分量，m代表自编码网络输入数据的维度及重构后数据的维度，二者维度相等；

步骤(4)使用训练完毕的自编码网络对高光谱数据进行降维处理，获得降维后的图像；

步骤(5)输入降维后的高光谱图像以及对应的分类参考图，取待分类像元邻域内的数据立方体为卷积神经网络的输入，分类参考图中像元对应的地物种类为卷积神经网络的期望输出，使用随机梯度下降算法训练卷积神经网络，训练完毕后将卷积神经网络作用与整幅图像，获得最终的分类结果。

2.根据权利要求1中所述的一种基于深度学习的高光谱图像分类方法，其特征在于：所述步骤(5)中的卷积神经网络的结构图如下：

卷积神经网络一般由卷积层，池化层，全连接层和softmax分类层组成，卷积神经网络的输入大小为7×7×N，其中N是降维后高光谱图像的维数，7×7是像元邻域的大小，卷积神经网络的输入的空间维数不高，因此无需进行空间域的池化降维操作；

卷积神经网络包含三个卷积层，一个全连接层和一个softmax分类层，每一个卷积层的包含N个大小为3×3的卷积核，全连接层的输入为N，输出为30，softmax分类层的输入大小为30，输出大小为高光谱图像的地物种类数。