[发明专利]结合双边滤波的三维卷积神经网络高光谱影像分类方法

说明书

本发明属于信息处理技术领域，公开了结合双边滤波的三维卷积神经网络高光谱影像分类方法。本发明首先使用双边滤波器对高光谱影像进行处理，再进行数据归一化；然后从处理后的高光谱影像中提取以待分类像元为中心的一定邻域内的数据块作为输入端数据，以待分类像元所属标签为对应数据块的标签，生成训练数据和测试数据；构造三维卷积神经网络，对其开展训练和测试；最后使用经过训练的三维卷积神经网络完成对高光谱影像的空‑谱联合分类。本发明充分利用高光谱影像的空‑谱信息，提高了分类精度；引入双边滤波算法，提高了分类任务的准确率，缩短、降低了训练具备同等分类精度的模型的时间、功耗；解决了现有技术分类精度低、耗时长的问题。

技术领域

本发明涉及信息处理技术领域，具体涉及一种结合双边滤波的三维卷积神经网络高光谱影像分类方法。

背景技术

高光谱成像技术是上世纪80年代逐渐发展起来的一种新技术，是一种将传统二维成像技术和一维光谱检测技术相结合的多维信息获取技术，具有“图谱合一”的特点，即可同时探测目标的二维几何空间信息与一维光谱信息，获取高光谱分辨率的、连续的、窄波段的影像数据。与全色影像和多光谱影像相比，高光谱影像具有更高的光谱分辨率和信息丰富度，可以更详实准确地反映目标物体的诊断性光谱特征，因此，高光谱影像被广泛应用于军事、农业、医学、采矿等诸多领域。

高光谱影像分类技术是高光谱成像技术中一项重要内容，是能够发挥高光谱成像技术高分辨率光谱信息优势的重要技术，是研究人员快速了解高光谱影像中所包含的内容的重要手段。高光谱影像分类技术的具体任务是对高光谱影像中的每一个像素所代表的目标进行分类。高光谱影像的高光谱分辨率是以较高的数据维、较大的数据量为代价的，这给高光谱影像分类带来了很多问题，例如信息的冗余度增大、数据的处理时间长等。

传统的高光谱图像分类技术，比如支持向量机(SVM)等，仅使用了高光谱影像中的光谱信息，而没有考虑高光谱影像在空间上所具有的很强的相关性，导致分类时容易出现错分的现象，且会产生噪声散点。近几年，随着深度学习在图像、视频分类和目标检测中的广泛应用，以及取得的良好效果，深度学习中的栈式自编码网络、深度置信网络、卷积神经网络等被引入高光谱影像分类中，在传统分类算法只考虑光谱特征的基础上，这些算法引入高光谱影像的空间特征，有效地提高了高光谱影像的分类精度。

然而现有的大多数深度模型在提取高光谱影像的光谱-空间特征时做法较为复杂，需要先对高光谱影像采取主成分分析法(PCA)等方法进行降维，然后进行特征提取。PCA处理不仅加大计算量，还会损失光谱域的信息量，对分类精度造成一定的影响。此外，现有的大多数深度学习算法尚未考虑对高光谱影像中的噪声进行处理，这对分类精度以及训练模型所需时间和功耗产生较大影响。

西北工业大学李映、张号逵等人在其申请的专利文献“基于3DCNN的高光谱图像空谱联合分类方法”(申请号：201610301687.1，公布号CN 106022355 A)中提出了一种基于三维卷积神经网络的高光谱分类方法。该方法首先对待分类高光谱数据进行归一化，将其数值归一化到[0,1]的范围之内，其次提取高光谱影像的中心像素及一定邻域范围内像素向量作为原始空谱特征，并结合待分类像元的标签训练已经构造好的3DCNN，最后利用训练好的3DCNN完成高光谱影像的空谱联合分类。该方法存在的不足之处是：由于各种因素的影响，高光谱遥感影像在空间域上会存在噪声，作者在进行3DCNN模型训练时，没有考虑这些噪声的影响，这会对高光谱影像的分类产生较大的影响。在学术论文“Spectral–SpatialClassification of Hyperspectral Imagery with 3D Convolutional Neural Network”(《Remote Sensing》,2017,9(1),67)中，李映、张号逵等人对该方法的实验过程进行了详细的论述，由文中论述可知该模型对高光谱影像典型数据集Indian pines scene的训练需要进行100000的迭代，迭代次数多，训练时间过长，因此还存在改进的空间。