[发明专利]基于栈式边界辨别自编码器的高光谱图像分类方法

权利要求书

1.一种基于栈式边界辨别自编码器的高光谱图像分类方法，其特征在于，包括有如下步骤：

(1)获取高光谱图像的训练样本集X_p和测试样本集X_q：

(1a)将三维的高光谱图像X转换为二维高光谱图像X_a，X_a∈R^b×m，该图像X_a包含b个光谱波段，m个样本；

(1b)随机取X_a的10％样本组成初始训练样本集：X_pp，X_pp∈R^b×pp，其余的90％样本组成初始测试样本集X_qq，X_qq∈R^b×qq，其中，pp，qq分别代表初始训练样本和初始测试样本的数量，满足pp+qq＝m；

(1c)对初始训练样本集X_pp和初始测试样本集X_qq分别按照光谱波段进行归一化操作，得到归一化后的训练样本集X_p和测试样本集X_q；

(2)获取高光谱图像的第l+1层隐藏层特征集a^(l+1)：

(2a)抽取训练样本集X_p，设训练样本集X_p位于自编码器网络的第一层，即第l层，即自编码器网络的第一层输入样本用a^(l)表示；

(2b)利用自编码器网络计算第l+1层隐藏层特征：

a^(l+1)＝f(Z^(l+1))＝f(w^(l)a^(l)+b^(l))，w^(l)是第l层输入层和第l+1层隐藏层之间的权值，b^(l)是它对应的偏差，Z^(l+1)是第l层输入和l+1层隐藏层的权值和，a是隐藏层Z通过激活函数f的映射值；

(2c)利用自编码器网络计算第l+2层重构层特征：

是第l+1层隐藏层和相应的解码层的连接权值，是第l+1层相应的偏差；

(3)计算高光谱图像训练样本的类内对比度S_S和类间分离度S_D：

通过计算训练样本的类内对比度S_S和类间分离度S_D，引入边界辨别约束：最小化类内相似度，最大化类间边界样本的相似度；

计算高光谱图像样本类内对比度，按如下步骤进行：

通过引入边界辨别约束，计算高光谱图像样本的类内对比度：

其中A＝{a_·1^(l+1),…,a_·m^(l+1)}是样本矩阵，L_S＝D-W是图拉普拉斯矩阵，对角矩阵D_ii＝∑_jW_ij，W_ij测量两个样本的接近程度，T表示转置，tr表示矩阵的迹,是由x_i在相同类的k₁近邻样本组成的集合；

计算高光谱图像样本的类间分离度：

类间分离度描述了不同类样本中边界样本的分离程度，其中，L_D＝D-W，对于每一类c，如果样本对(i,j)是集合中k₂近邻对中的一个，则W_ij＝1；

(4)获取第一层自编码器网络的权值w^(l)和偏差b^(l)：

通过最小化均方误差函数J(w,b)，获取第一层自编码器网络的权值w^(l)和偏差b^(l)；

(5)获取第二层自编码器网络的权值w^(l+1)和偏差b^(l+1)：

第一层自编码器网络的输出特征a^(l+1)作为第二层自编码器网络的输入特征，计算第二层自编码器网络的输出特征，即第l+1层，重复步骤(2)-(4)，获取第二层自编码器网络的权值w^(l+1)和偏差b^(l+1)，直至获取整个栈式自编码器网络所有层的权值和偏差；

(6)获得高光谱图像分类结果：

将测试样本集X_q输入训练完成的栈式自编码器网络，通过栈式自编码器网络逐层学习得到栈式自编码器网络的最后一层的输出特征，将输出特征通过softmax逻辑回归分类器进行分类，得到测试样本的类别标签Y_q，即为高光谱图像的分类结果。