[发明专利]双分支深层结构下的高光谱图像分类方法及装置

说明书

本发明提供的是一种双分支深层结构下的高光谱图像分类方法及装置，可以显著提高图像的分类精度。一方面，提出方法包括影像预处理、特征提取、空‑谱特征融合、分类四个步骤。影像预处理用于选取两个分支所需的训练集和测试集，且进行归一化处理；特征提取是用于构建双分支深层结构来提取高光谱遥感影像的深层语义信息；空‑谱特征融合是在两个分支网络结构末端分别加入soft‑max分类器，分别获取样本的概率矩阵，然后利用多源特征融合技术将双分支深层结构获取的光谱特征和空间特征融合；分类是利用支持向量机对融合后的特征进行分类。另一方面，相对应的装置包括该预处理模块、双分支深层结构模块、融合模块、分类评估模块四个模块。

技术领域

本发明涉及一种双分支深层结构下的高光谱图像分类方法及装置，属于遥感信息处理技术领域。

背景技术

目前，高光谱遥感影像智能解译已经广泛应用于农业、林业、地质、星体考察、军事等领域，如在星体考察中，通过研究高光谱传感器收集到的土壤矿物成分的光谱信息可获知星球的地质状况；在军事上，高光谱传感器能够检测出普通相机或摄像机无法捕获的各种伪装，可应用于战场情报侦察和目标识别(Kumar et al.,2001；童庆禧等,2006)。特征提取和融合技术是实现影像智能解译过程中一个非常重要的环节，直接影响到影像解译精度。然而，当前的图像特征提取方法往往忽略了图像的深层语义信息，解译准确度受到了极大的影响。深度学习理论的出现可以有效地解决这一问题，为图像特征提取提供可靠的技术支撑，提取的特征更为抽象、鲁棒性更强且不受周围环境变化的影响(Hinton et al.,2006；Bengio et al.,2013)。同时，完备的深度学习理论体系、丰富的网络模型、有效的在线研发工具、开放的应用案例都为建立深层网络结构下的高光谱图像特征提取提供了必要条件。

光谱特征和空间特征对图像分类问题具有重要意义，在分类过程中融入了空间特征可以显著提高图像的分类精度(Zhang et al.,2013；Huang et al.,2013)，因此有效的空-谱特征融合方案成为学者们争相研究的重要课题。最简单的特征融合方法是将光谱特征向量和空间特征向量级联后进行特征选择。这种融合方式通常伴随着冗余和噪声，且没有针对性的特征选取方法忽略了特征间的相关性。为保留光谱特征和空间特征之间的相关性，许多改进方法相继提出，如Fauvel(2008)提出特征加权求和融合方法、Camps-Valls(2005)提出了基于核函数的融合方法、Zhang(2015)提出可分稀疏性多模式学习的融合方法，自动地学习出包含独立特征信息和特征间相关信息的权重矩阵，有效地保留了特征间的相关性。然而，这些改进的融合方案都与特征提取过程相独立。

在此背景下，本发明提出一种新的双分支深层结构下的高光谱图像分类方法及装置，更加有效地提取了包含深层语义信息的光谱特征和空间特征，与此同时将提取特征进行融合。在后续的分类问题中，利用融合后的特征可以显著地提升分类装置的精度。

发明内容

本发明目的在于提高高光谱遥感影像的分类精度，提出一种双分支深层结构下的高光谱图像分类方法及装置。

本发明的第一个目的是提出一种双分支深层结构下的高光谱图像分类方法，包括影像预处理、特征提取、空-谱特征融合、分类四个步骤。具体步骤如下：

步骤S1：影像预处理。选取两个分支所需的训练集和测试集，且进行归一化处理。

步骤S2：特征提取。构建光谱特征提取分支：利用堆栈式降噪自编码器提取图像的光谱特征。构建空间特征提取分支：利用深层卷积神经网络提取图像的空间特征。

步骤S3：空-谱特征融合。在两个分支网络结构末端分别加入soft-max分类器，分别获取样本的概率矩阵(光谱概率矩阵和空间信息概率矩阵)。利用多源特征融合技术将双分支深层结构获取的光谱特征和空间特征融合。

步骤S4：分类。利用支持向量机对融合后的特征进行分类，进而得到对应测试样本的预测标签。