[发明专利]基于自动确定卷积核大小卷积神经网络的高光谱图像分类

说明书

本发明提供了一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法。首先，用K‑means算法对多组不同大小的图像块样本进行聚类处理；然后，设计一种新的针对不同尺寸且各类别数量呈非均匀分布样本聚类结果的评价指标，对不同尺寸样本聚类结果进行评价，根据评价结果确定自适应卷积核；最后，对自适应卷积核的卷积神经网络进行训练，并利用训练好的网络对高光谱图像进行分类。由于利用聚类处理和指标评价得到的自适应卷积核可以更加有效的表征数据信息，利用本发明方法可以得到更好的高光谱图像分类结果。

技术领域

本发明属高光谱图像处理技术领域，具体涉及一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法。

背景技术

目前存在的高光谱图像像素级分类方法主要有两类：一类是基于人工设计特征的；另一类是基于深度学习特征的。文献“Ding C,Li Y,Xia Y,et al.ConvolutionalNeural Networks Based Hyperspectral Image Classification Method with AdaptiveKernels[J].Remote Sensing,2017,9(6):618.”公开了一种基于深度学习的高光谱图像分类方法，其卷积核可以通过预先学习得到，而且自适应卷积核的数量可以通过文献设计方法求得。该文献提出将改进的基于密度峰值快速寻找的聚类算法(modified clusteringby fast search and find of density peaks，简称MCFSFDP算法)用于提前学习卷积神经网络卷积核，并且自适应的确定卷积核的数量，并将此提前学习卷积核的卷积神经网络(convolutioanal neural network，CNN)应用到高光谱图像分类中，并得到了有效的分类结果。文献中所用的MCFSFDP聚类算法提前学习的卷积核需要经验进行卷积核大小设定，但是，人工经验设定的卷积核大小往往不能最优的表征数据信息的特点。

发明内容

为了克服现有基于卷积核提前学习的卷积神经网络结构中卷积核大小需要人工设定且无法自适应表征数据信息特点的问题，本发明公开了一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法，将基于K-means聚类算法引入到卷积神经网络的卷积核学习中去，即先用K-means算法对多组不同大小的样本进行聚类处理，然后，设计一种新的针对不同尺寸且各类别数量呈非均匀分布样本聚类结果的评价指标，对不同尺寸样本聚类结果进行评价，根据评价结果确定自适应卷积核，最后，将学习到的卷积核引入卷积神经网络并对网络的全连接层进行训练，利用训练好的网络对高光谱图像进行分类。

一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法，其特征在于包括以下步骤：

步骤一：从高光谱图像中随机提取带有维度信息且大小为m×m×h的图像块作为卷积神经网络的样本，其中，m为正整数，h为高光谱图像波段数，所述卷积神经网络的样本中一半作为训练样本，另一半作为测试样本；再从训练样本中，选取大小为n×n×h且n值不同的G组图像块作为聚类样本数据，其中，n为正整数，每组所包含的图像块数量相同，且聚类样本图像块的尺寸小于训练样本图像块的尺寸，G的取值范围为[1,13]。

步骤二：利用K-means聚类方法分别对不同尺寸的G组图像块样本数据进行聚类处理，得到不同尺寸图像块样本的聚类结果。

步骤三：利用对不同尺寸图像块样本的聚类结果进行评估，使得EI值最大的图像块样本大小即被确定为自适应卷积核大小，此尺寸图像块的聚类中心即被确定为卷积核。