[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

说明书

本发明公开了一种基于压缩‑激发的聚合残差网络高光谱图像分类方法，主要解决现有方法不能充分利用特征通道的相关性的问题。其方案为：1)对高光谱图像进行归一化和降维的预处理；2)对预处理后的前m个主成分中每个非背景像元选取固定大小的正方形邻域图像块，并将其构建为训练集和测试集；3)构建压缩‑激发的聚合残差网络，并利用训练集进行训练得到训练好的压缩‑激发的聚合残差网络；4)将测试集输入到训练好的压缩‑激发的聚合残差网络获得测试结果。本发明充分利用特征通道的相关性，能提取鲁棒性更强的空谱特征，提高了分类的准确率，可用于农业和环境监视。

技术领域

本发明属于遥感图像处理技术领域，涉及一种高光谱图像分类方法，可用于农业和环境监视。

背景技术

高光谱遥感图像是由高光谱传感器捕获的卫星图像，对于每个像素都有几十个乃至几百个光谱波段。因此，它可以提供丰富的信息而且具有很高的光谱分辨率，可广泛应用于军事、农业、环境监视等诸多领域。对高光谱图像进行处理分析在国际遥感领域极其重要，其中高光谱图像分类是高光谱信息处理的一个重要研究方向。然而，高光谱图像的精确分类仍然存在着一些难题，比如像素的维度较高、噪声干扰、较高的空间域和光谱域冗余。传统的浅层学习方法不能有效地提取有代表性的特征，造成区域分类混乱问题，因此现在很多研究利用深度卷计算机网络的方法来提取高光谱的鲁棒的、具有判别性的特征以此来提高分类精度。

Zilong Zhong等人在其发表的论文“Deep Residual Networks forHyperspectral Image Classification”(Geoscience and Remote Sensing SymposiumIEEE,2017)中提出一种基于深度残差网络的高光谱图像分类方法。该方法将待分类像元为中心的矩形内的数据立方体作为输入，然后构建了深度残差网络从中提取出具有代表性的特征，最后采用了多项式逻辑回归分类器预测当前像素的类别。该方法虽然使用了残差网络来避免了深度学习中随着网络层数的增加而产生的梯度弥散问题，但是仍然存在的不足之处是，深度残差网络只是从空间维度上提取高光谱特征，并没有考虑到特征通道之间的关系，从而对提高分类精度具有一定的局限性。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于压缩-激发的聚合残差网络高光谱图像分类方法，以充分利用特征通道的相关性，提取鲁棒性更强的空谱特征，提高分类准确率。

本发明的技术方案是：首先对高光谱图像进行预处理，然后通过构造聚合残差网络模块学习高光谱图像的空间域特征，其次构造压缩-激活的网络模块，并将聚合残差网络模块嵌入到压缩-激法的网络模块中，从而构成压缩-激发的聚合残差网络模块，并将若干个相同结构的压缩-激发的聚合残差网络模块堆叠在一起构成压缩-激发的聚合残差网络，以此来得到鲁棒性更强的特征，最后采用多项式逻辑回归分类器获得待分类样本集的分类结果，具体实现步骤包括如下：

(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；