[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

说明书

本发明公开了一种基于栈式边界辨别自编码器的高光谱图像分类方法，主要解决高光谱图像分类性能不佳的问题。其实现方案是：将多个自编码器网络堆叠形成栈式自编码器网络，利用栈式自编码器网络逐层学习特征，引入了边界辨别约束，通过约束样本类内对比度和类间分离度，充分考虑样本的分布特性，增强自编码器学习特征的能力，采用最小化误差函数学习出权值和偏差；用学到的栈式自编码器网络对未知高光谱图像分类。本发明采用的栈式自编码器网络分类方法，提高了特征学习能力，改善了分类性能，图像分类精度高，适用不同类型的复杂数据图像的处理，可用于农业监测、地质勘探、灾害环境评估等领域地物的区分和辨别。

技术领域

本发明属于图像处理技术领域，主要涉及高光谱图像分类，具体是一种基于栈式边界辨别自编码器的高光谱图像分类方法，用于农业，测绘，军事，考古，环境和灾害监测等领域。

背景技术

随着科学技术的发展，高光谱遥感技术得到了巨大的发展。高光谱数据可表示为高光谱数据立方体，是三维数据结构。高光谱数据可视为三维图像，在普通二维图像之外又多了一维光谱信息。其空间图像为描述地表二维空间特征，其光谱维揭示了图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维信息的有机融合。高光谱遥感图像含有丰富的光谱信息，可以提供空间域信息和光谱域信息，具有“图谱合一”的特点，可以实现对地物精确的辨别与细节提取，对于认识客观世界提供了有利条件。由于高光谱图像独有的特点，高光谱遥感技术已经广泛的应用在不同的领域。在民用领域，高光谱遥感影像已经被用于城市环境监测、地表土壤监测、地质勘探、灾害评估、农业产量估计、农作物分析等方面。在军用领域，高光谱遥感展现出了强大的探测能力，可用于障碍物识别、地表部队识别、坦克军舰识别、水下障碍物判断以及敌军的火力分布等情报。高光谱遥感技术已经广泛的应用于人们的日常生活和军事领域。因此，设计实用高效的高光谱图像分类方法，已经成为现代社会必不可少的科技需求。

目前，研究人员已经提出了许多经典的分类方法用于高光谱图像分类，代表性的分类方法包括神经网络(NN)，K-近邻(KNN)，支持向量机(SVM)等。NN的目标是像人类的大脑一样以同样的方式解决问题。为了模拟人类大脑的思维方法和解决问题的能力，近些年来，研究人员提出了类似于人脑思维方式的深度学习方法。SVM如何确核函数,现在还没有合适的方法,所以对于一般的问题,SVM只是把高维空间的复杂性的困难转为了求核函数的困难.而且即使确定核函数以后,在求解问题分类时,要求解函数的二次规划,这需要大量的存储空间.这也是SVM的一个问题。目前，由于深度学习在语音和图像领域表现出的强大优势，深度学习的应用也变得更加广泛。深度学习可以从原始的复杂数据中分层次地学习到更加抽象的高级特征。Hinton提出了栈式自编码的概念(SAE)。在SAE中，高维数据可以通过训练多层神经网络转换成低维数据。SAE具有强大的特征表示和对复杂任务建模的能力。为了提高SAE分类性能，Jaime Zabalza等人提出了基于分割的自编码器(Seg-SAE)的高光谱图像分类方法。该方法将每个样本的光谱波段分割成几个不同的区域，单独的应用自编码器。这种方法可以大大降低自编码器的计算复杂度。然而，高光谱图像的辨别信息和样本的分布特性没有考虑到自编码器中，可能丢失在自编码器的隐层特征中。

综上，已有高光谱图像分类方法直接用于高光谱图像分类，存在核函数求解困难、特征选择单一、缺少先验信息和约束信息、分类精度差的问题。

发明内容

本发明的目的在于针对上述已有方法的不足，提出一种分类精度高，能够适用于图像处理的基于栈式边界辨别自编码器的高光谱图像分类方法。

本发明是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