[发明专利]基于超像素特征提取神经网络算法的高光谱影像分类方法

权利要求书

1.一种基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，包括：高光谱影像经像素点标记和超像素分割处理获得带有像素点标记的超像素和未带像素点标记的超像素；

利用超像素特征提取神经网络以带有像素点标记的超像素为输入对象进行网络训练，再利用训练好的超像素特征提取神经网络对未带像素点标记的超像素进行处理得到分类图；

所述的超像素特征提取神经网络包括多个叠加的子网络层，每层子网络层由全连接的特征提取层、池化层、特征拼接层和批标准化层组成；

所述的超像素特征提取神经网络的初始化参数为全连接层FCN(x)和批标准化层BN(x)；

全连接层FCN(x)＝W·x+b，W为连接权重参数，采用服从标准正态分布的随机数初始化，即W~N(0,1)；b为偏置项参数，采用数值0进行初始化；x为输入的超像素；

批标准化层其中E[x]表示全连接层输出的x的期望值，Var[x]表示全连接层输出的x的方差值；α和β分别以服从均匀分布U(0,1)的随机数和数值0进行初始化。

2.根据权利要求1所述的基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，所述的网络训练包括：

超像素特征提取网络对带有像素点标记的超像素进行特征提取获得既包含各个像素特征又包含整个超像素特征的融合特征信息；使用FocalLoss作为分类的损失函数对超像素特征提取网络进行分类训练。

3.根据权利要求2所述的基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，超像素特征提取网络对带有像素点标记的超像素进行特征提取按如下步骤进行：

(a)带有像素点标记的超像素X_train输入超像素特征提取网络，第一个子网络使用全连接层FCN(x)进行第一层特征提取，即X_feat＝FCN(X_train)；将第一层特征进行最大池化处理X_maxfeat＝MaxPool(X_feat)；之后对第一层特征和池化处理后的第一层特征进行拼接处理得到X_catfeat＝Concatenate(X_feat,X_maxfeat)，之后对拼接后的特征进行批标准化处理X_norm＝BN(X_catfeat)；

(b)使用多个与(a)中相同的子网络结构对X_norm进行深层次的特征提取，得到既包含各个像素特征又包含整个超像素特征的融合特征信息。

4.根据权利要求2所述的基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，所述的FocalLoss损失函数，可由下述公式表示：

FL(p_t)＝-(1-p_t)^γlog(p_t)

式中，prob为模型预测得到的概率，y∈{±1}表示样本真实的类别；γ为注意力参数。

5.根据权利要求1所述的基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，所述的像素点标记包括：

高光谱影像经过滤波去噪和波段选取得到高光谱影像I；对高光谱影像I中感兴趣区域进行像素点标记，并从中选取像素点总量的1％～10％的带有像素点标记的超像素样本作为训练样本。

6.根据权利要求1所述的基于超像素特征提取神经网络算法的高光谱影像分类方法，其特征在于，所述的超像素分割包括：

高光谱影像进行主成分分析算法处理获取第一主成分I_comp1；对高光谱影像的第一主成分I_comp1进行超像素分割处理，获得超像素。