[发明专利]基于NSCT和SAE的高光谱图像分类方法

说明书

本发明公开了一种基于NSCT和SAE的高光谱图像分类方法，其实现步骤为：(1)输入图像；(2)预处理；(3)进行非下采样轮廓波变换；(4)选取系数子带；(5)选取正方形邻域图像块；(6)提取像素的局部纹理特征；(7)获得三维图像矩阵；(8)选择训练样例；(9)构建栈式自编码器SAE；(10)进行非线性变换操作；(11)微调模型中的参数；(12)输出高光谱图像的分类结果。本发明可以充分地利用高光谱图像的局部纹理特征，具有很高的分类准确率，可用于地质勘探领域中的高光谱图像的分类，为地物图像的绘制提供参考。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于非下采样轮廓波变换(Non Subsample Contourlet Transform，NSCT)和栈式自编码器(Stacked Auto-Encoder，SAE)的高光谱图像分类方法。本发明可应用于地质勘探领域中的高光谱图像的分类，为地物图像的绘制提供参考。

背景技术

高光谱遥感是一种具有较高光谱分辨率的成像技术，它具有“图谱合一”的特点，所获得的图像数据不仅包含了地面物体非常丰富的光谱信息，而且也体现了地面目标的空间结构分布。遥感图像分类就是根据少量有标记样本预测剩余无标记样本的类别的过程。尽管高光谱图像较高的光谱分辨率为图像分类提供了可能，但是高光谱图像的精确分类仍然存在着一些难题，比如像素的维度较高、噪声干扰、较高的空间域和光谱域冗余。传统的浅层学习方法不能有效地提取有代表性的特征，造成区域分类混乱问题。考虑到相同类别的地物通常具有相似的空间结构，因此必须充分利用高光谱图像的空间域特征，才能有效提高高光谱图像的分类精度。

Yushi Chen等人在其发表的论文“Deep Learning-Based Classification ofHyperspectral Data,”(IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2014,7(6),2094-2107)中提出了一种基于栈式自编码器的高光谱图像分类方法。该方法将局部邻域窗作为当前像素的空间域特征，然后将光谱特征和空间域特征进行融合，接着采用栈式自编码器从融合后的空谱特征中提取出有代表性的特征，最后采用了多项式逻辑回归分类器预测当前像素的类别。该方法虽然综合使用了空间域和光谱域信息，但是仍然存在的不足之处是，基于邻域窗的空域特征提取方法在提取空间域特征时，不能很好地利用空间邻域相关性，降低神经网络模型的分类精度。

西安电子科技大学在申请的专利文献“基于收缩自编码器的SAR图像分类方法”(专利申请号：201610407324.6，公开号：CN 106096650A)中公开了一种基于收缩自编码器的图像分类方法。该方法首先对输入SAR图像进行一层小波分解，得到1个低频系数子带和3个高频系数子带，然后将分解后的高频系数子带进行堆叠，最后采用栈式自编码器对堆叠后的图像进行分类。该方法存在的不足之处是，该方法只考虑了当前像素的水平、垂直、和对角三个方向，未能充分利用其它方向性信息。而且，该方法并未利用一些结构上的先验知识，比如邻域像素之间的相关性等。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于NSCT和SAE的高光谱图像分类方法。本发明与现有技术中其他高光谱图像分类技术相比，能够充分利用空间邻域像素的相关性，提取到鲁棒性更强的空间域特征，从而提高了模型的分类准确率。

本发明实现上述目的的思路是：先对高光谱图像进行预处理，然后通过非下采样轮廓波变换NSCT得到像素的局部纹理特征，接着将像素的局部纹理特征向量和光谱特征向量首尾连接，最后采用栈式自动编码器SAE和Softmax分类器，获得待分类样本集的分类结果。

本发明实现的具体步骤如下：

(1)输入图像：

输入一幅包含不同地物的高光谱图像；

(2)预处理：