[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

说明书

本发明提出了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，主要解决高光谱图像分类性能不佳的问题。实现步骤为：获取高光谱数据训练样本集和测试样本集；构建n层自编码器网络；输入训练样本集，利用损失函数对基于熵率超像素分割的自编码器网络进行训练；输入测试数据集，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。本发明采用的基于熵率超像素分割的自编码器的高光谱图像分类方法，考虑了空间上下文邻域信息，挖掘了数据样本的分布特性，有效地提高了高光谱图像的分类精度，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，涉及一种高光谱图像分类方法，具体涉及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，用于农业，测绘，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。其空间图像描述地表的二维空间特征，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空间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。高光谱遥感技术已经广泛的应用于人们的日常生活中。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，代表性的分类方法有K-近邻(KNN)、支持向量机(SVM)和神经网络(NN)。KNN将样本分类于在特征空间中的距离它最近的k个样本中的大多数样本属于的类别，其算法比较简单，易于实现，是最早引入高光谱分类的算法之一，但是，KNN需要大量的样本数据，同时需要巨大的预存储空间，时间复杂度很高，同时精度也不高。SVM通过最大化类别边界，在小样本分类中取得了较好的分类结果。F.Melgani,and L.Bruzzone在“Classification of hyperspectralremote sensing images with support vector machines,IEEE Trans.Geosci.RemoteSens.,vol.42,no.8,pp.1778-1790,Aug.2004”将SVM引入了高光谱图像分类，在当时取得了最好的分类结果，但是，对于SVM，如何确核函数,现在还没有合适的方法,完全需要经验判断，选择不合适的核函数会导致分类性能不佳，同时求解核函数也很复杂。