[发明专利]融合谱-空域信息的DBM高光谱图像分类方法

说明书

一种融合谱‑空域信息的深度玻尔兹曼机DBM高光谱图像分类方法，包括如下步骤：S100：对原始高光谱图像中每个像元提取其空间邻域信息作为该像元的空域信息，并与其光谱域信息结合起来形成该像元的谱‑空域信息；S200：通过深度玻尔兹曼机DBM对该像元的谱‑空域信息进行特征提取；S300：利用逻辑回归LR对所提取的特征进行分类，获得每个像元的类别标记。该方法将DBM应用于高光谱图像分类中，获得了更强的分类能力，有效提高高光谱遥感数据分类精度。

技术领域

本公开属于遥感图像处理技术领域，特别涉及一种融合谱-空域信息的DBM高光谱图像分类方法。

背景技术

随着遥感成像技术的不断进步，所获取的遥感数据的光谱分辨率已经达到了纳米级别。在过去的20年里，高光谱遥感图像已经成为人们生产生活中的重要资源，应用到了许多领域，例如农作物监测、矿物质成分检测、目标检测等。在这些应用领域中，分类是一个关键技术，它是指将高光谱遥感图像中每个像素按照其所代表的地物类别赋予一个类别标记。

为了实现高光谱遥感图像的分类，研究人员相继提出了大量的分类方法，如K最近邻法、最大似然法、神经网络、支持向量机、随机森林。这些方法在特定的遥感图像中表现出优良的分类能力，但是对于高光谱遥感图像中地物形态变化多样，光谱波段多，维度高，以及存在大量冗余的特点，传统模式识别方法分类能力有限。

近年来，深度学习方法在许多应用中取得了瞩目的成绩，作为一类机器学习算法，它以受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)为基本单元，通过叠加方式构造一个深层次的结构。RBM模型能够对输入数据进行非线性映射，因此深度学习方法能够学习到数据间的非线性的依赖关系，尤其是数据间的不同层级的抽象表示。常见的深度学习模型包括：自动编码器(Auto encoder，AE)、深度信念网络(Deep Belief Network，DBN)、深度玻尔兹曼机(Deep Boltzmann Machine，DBM)以及卷积神经网络等。

在高光谱图像分类方面，已有多种深度学习方法得到应用。基于AE模型的高光谱图像场景分类方法，虽然将多个AE模型叠加起来构建的深度学习模型能够学习到高光谱数据的深度特征，但是其侧重于学习数据的重建信息，这限制了其在分类任务中的判别能力；基于DBN模型的高光谱数据分类方法，通过无监督的预训练和有监督的微调过程，DBN模型能够学习到数据的判别信息。但由于DBN模型的预训练算法中每一隐层的节点只接收来自下面层节点的信息而忽略了上面层节点的信息，从而限制了模型学习数据间依赖关系的能力；CNN模型进行SAR图像的目标检测，该模型具有平移不变性，并且能够解决部分目标的缺失问题。但对于缺乏有标记样本的高光谱数据，该方法容易陷入过拟合。

基于地物的空域信息用于遥感图像分类，也是遥感分类研究中的一个热点问题。由于地物本身具有的空间属性，在光谱信息中融合空域信息势必能够提高分类的精度。在遥感图像中获取光谱信息是直接的和方便的，而获取空域信息则需要特别的方法，例如形态学方法、MRF方法以及邻域法等。

考虑到高光谱数据所固有的高维度性与冗余性的特点，如何提高高光谱数据的分类精度至关重要。

发明内容

为了解决上述问题，本公开提供了一种融合谱-空域信息的深度玻尔兹曼机DBM高光谱图像分类方法，包括如下步骤：

S100：对原始高光谱图像中每个像元提取其空间邻域信息作为该像元的空域信息，并与其光谱域信息结合起来形成该像元的谱-空域信息；

S200：通过深度玻尔兹曼机DBM对该像元的谱-空域信息进行特征提取；

S300：利用逻辑回归LR对所提取的特征进行分类，获得每个像元的类别标记。