[发明专利]基于熵率超像素分割的自编码器的高光谱图像分类方法

权利要求书

1.一种基于熵率超像素分割的自编码器的高光谱图像分类方法，其特征在于，包括如下步骤：

(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，其中，b表示X_a的波段个数，m表示X_a的样本个数；

(1b)随机选取X_a的10％样本组成训练样本集X_pp，X_pp∈R^b×pp，其余的90％样本组成测试样本集X_qq，X_qq∈R^b×qq，其中，pp表示初始训练样本集X_pp的数量，qq代表初始测试样本的数量，且满足pp+qq＝m；

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

(2)构建n层自编码器网络：

(2a)构建每一层由输入层、隐藏层和重构层组成的自编码器网络，其中，自编码器网络的第l+1层的输入层等于第l层的隐藏层，l＝1,…,n；

(2b)确定自编码器网络各层的节点数、学习速率α和激活函数f(Z)，并对自编码器网络第l层的输入层和隐藏层的连接权值w^(l)和偏差b^(l)以及第l层自编码器网络的隐藏层和重构层的连接权值和偏差进行初始化，n层自编码器网络构建完成；

(3)对基于熵率超像素分割的自编码器网络进行训练，得到训练后的基于熵率超像素分割的自编码器网络：

(3a)计算自编码器网络第l层的重构层激活值

(3a1)将训练样本集X_p作为第l层自编码器网络的输入层激活值a^(l)，并利用该输入层激活值a^(l)计算隐藏层激活值a^(l+1)，计算公式为：

a^(l+1)＝f(Z^(l+1))＝f(w^(l)a^(l)+b^(l))

其中，Z^(l+1)是第l层隐藏层的未激活值；

(3a2)利用自编码器网络第l层的隐藏层激活值a^(l+1)计算重构层激活值计算公式为：

其中，是第l层重构层的未激活值；

(3b)定义自编码器网络第l层熵率超像素分割约束的计算公式，并将自编码器网络第l层的重构层激活值作为该计算公式的输入，计算自编码器网络第l层熵率超像素分割约束J₂(w^(l),b^(l))，l＝1，计算公式为：

其中，N₁是熵率超像素分割区域数目，π_i是第i个熵率超像素分割区域，p,q∈π_i，表示p和q是熵率超像素分割区域π_i内任意两个邻近样本；

(3c)利用自编码器网络第l层熵率超像素分割约束J₂(w^(l),b^(l))，计算第l层自编码器网络的连接权值w^(l)和偏差b^(l)，l＝1，实现步骤为：

(3c1)利用自编码器网络第l层熵率超像素分割约束J₂(w^(l),b^(l))，计算第l层自编码器损失函数J(w^(l),b^(l))：

其中，λ是熵率超像素分割约束项系数；

(3c2)利用第l层自编码器损失函数J(w^(l),b^(l))计算第l层自编码器网络重构层残差

(3c3)利用第l层自编码器损失函数J(w^(l),b^(l))和第l层自编码器网络重构层残差计算第l层自编码器网络隐藏层残差

其中，s_l表示第l层节点的数量，

(3c4)利用第l层自编码器网络隐藏层残差更新第l层自编码器网络的连接权值w^(l)和偏差b^(l)：

其中，α是学习速率；

(3c5)重复步骤(3c2)-(3c4)，直至第l层自编码器损失函数J(w^(l),b^(l))不再改变，得到第l层自编码器网络的连接权值w^(l)和偏差b^(l)；

(3d)获取第l层自编码器网络的连接权值w^(l)和偏差b^(l)，l＝2,3，…n：

将第l层自编码器网络的隐藏层激活值a^(l+1)作为第l+1层自编码器网络的输入层激活值a^(l)，令l＝l+1，重复步骤(3a)-(3c)，直到l＝n，得到第l层自编码器网络的连接权值w^(l)和偏差b^(l)；

(4)利用训练后的基于熵率超像素分割的自编码器网络对高光谱图像进行分类：

(4a)将测试样本集X_q输入到训练后的基于熵率超像素分割的自编码器网络中；

(4b)训练后的基于熵率超像素分割的自编码器网络对测试样本集X_q进行逐层学习，得到自编码器网络的最后一层的隐藏层激活值a⁽ⁿ⁺¹⁾；

(4c)采用softmax逻辑回归分类器，对自编码器网络的最后一层的隐藏层激活值a⁽ⁿ⁺¹⁾进行分类，得到测试样本集X_q的类别标签Y_q，即为高光谱图像的分类结果。