[发明专利]基于压缩-激发的聚合残差网络高光谱图像分类方法

权利要求书

1.一种基于压缩-激发的聚合残差网络高光谱图像分类方法，包括：

(1)输入一幅包含d个波段数的待分类高光谱图像P及该图像P的类别标签；

(2)对输入的高光谱图像P的像素值进行预处理，得到预处理后高光谱图像的前m个主成分PC；

(3)对预处理后的m个主成分PC中每个非背景像元取大小为27×27的正方形邻域图像块，得到取块后的每个邻域块大小为27×27×m的立方体；

(4)从所有邻域块中随机选择10％以及对应的类别标签作为训练样本集，并将剩余的邻域块和对应的类别标签作为测试样本集；

(5)构建压缩-激发的聚合残差网络:

(5a)设第一层为卷积核大小为3×3的预卷积层；

(5b)构建8条路径，每条路径中设有第二卷积层和第三卷积层，将8个路径的输出级联在一起得到路径汇总特征矩阵M，设第四卷积层为卷积核大小为1×1的卷积层，将路径汇总特征矩阵M输入到第四卷积层得到更深层的特征矩阵S，形成聚合残差网络模块；

(5c)设第一全连接层为激活函数是ReLu的全连接层，设第二全连接层为激活函数是sigmoid的全连接层，将第四卷积层得到更深层的特征矩阵S进行全局平均池化处理后，再经过第一全连接层和第二全连接层输出权值矩阵T，形成压缩-激发的网络模块；

(5d)将第四卷积层输出S乘以权值矩阵T，得到经过重标定的特征集U，形成压缩-激发的聚合残差网络模块；

(5e)将3个具有相同结构和参数的压缩-激发的聚合残差网络模块堆叠在一起，再对其进行全局平均池化后构建多项式逻辑回归分类器，形成压缩-激发的聚合残差网络；

(6)将训练样本集作为压缩-激发的聚合残差网络的输入，进行200次迭代的有监督训练，得到训练好的压缩-激发的聚合残差网络；

(7)将测试样本集输入到训练好的压缩-激发的聚合残差网络中，得到测试数据集中每个像素的分类结果。

2.根据权利要求1所述的方法，其中步骤(2)中对输入的高光谱图像P的像素值进行预处理:

(2a)对高光谱图像P的像素值进行归一化操作，得到归一化后的图像X；

(2b)对归一化后的高光谱图像X进行降维处理；

(2b1)把归一化后的高光谱图像每个波段按照先列后行的顺序排列成一个列向量，得到向量组:X'＝[x₁,x₂,...,x_p,...,x_d]，其中，x_p表示归一化后的高光谱图像X中第p个波段，其中p的范围是[1,d]，d是高光谱图像P的波段数；

(2b2)计算向量组X′的中心化向量组Y：

Y＝X'-E(X')

其中，E(X')表示向量组X'的均值向量；

(2b3)计算中心化向量组Y的协方差矩阵Cov：

COV＝YY^T

其中，Y^T表示中心化向量组Y的转置；

(2b4)对中心化向量组Y的协方差矩阵Cov进行特征分解，得到d个特征值w和对应的d个特征向量u；

(2b5)对d个特征值w对应的d个特征向量u进行排列，并对前mm个特征向量进行组合，得到变换矩U＝[u₁,u₂,...,u_m]；

(2b6)计算归一化后的高光谱图像X的前m个主成分：

PC＝X'U＝{PC¹,PC²,...,PC^s,...,PC^m}，

其中，PC^s表示第s个主成分，s的范围是[1,m]。

3.根据权利要求1所述的方法，其中步骤(5a)中所形成的第一预卷积层,其特征映射图的数量设为64个。

4.根据权利要求1所述的方法，其中步骤(5b)中所形成的聚合残差网络模块各层参数设置如下：

第二卷积层的卷积核的大小设置为1，特征映射图的数量为64个；

第三卷积层的卷积核的大小设置为3，特征映射图的数量为64个；

第四卷积层的特征映射数量为64个。

5.根据权利要求1所述的方法，其中步骤(5c)中的两个连接层，其特征映射图个数分别为：第一全连接层特征映射图个数设置为16；第二全连接层特征映射图个数设置为64。