[发明专利]基于三维深度残差网络的空谱融合高光谱图像分类方法

说明书

本发明属于高光谱智能感知领域，具体公开了一种基于三维深度残差网络的空谱融合高光谱图像分类方法，通过步骤：S1使用滑窗法生成候选框，生成若干窗口；S2将窗口随机划分为训练集与测试集数据；S3基于训练集中的高光谱数据对三维深度残差网络(3D‑CNN)进行训练；S4将测试集样本输入到分类模型中，提取输入数据的特征并预测其分类，实现了同时提取高光谱图像的光谱特征和空谱特征，进一步提高了高光谱图像分类精度，同时引入了残差网络结构，解决了传统高光谱分类神经网络中的学习退化问题。本发明结构清晰、易于实现，能充分利用高光谱图像的结构特征，在减少计算耗时的同时，显著提升了高光谱图像目标分类精度。

技术领域

本发明属于高光谱智能感知领域，涉及一种基于三维深度残差网络的空谱融合高光谱图像分类方法，可用于对高光谱图像进行目标分类。

背景技术

高光谱图像是由成像光谱仪捕获的图像，其同时描述了目标分布的二维空间信息和目标光谱特征的一维光谱信息，为每个像元提供数十甚至数百个窄波段的光谱信息，产生一条完整而连续的光谱曲线。高光谱图像将反映目标辐射的光谱信息与反映目标二维空间的图像信息集于一体，实现“图谱合一”，是一个二维图形空间和一维光谱的图像立方体。因此，高光谱图像广泛应用于军事、农业、医学、矿采等诸多领域。对高光谱图像中的观测目标进行类别识别是一种发挥高分辨率光谱信息优势的重要应用，同时也是研究人员快速理解高光谱图像中所包含内容的重要手段。传统的高光谱图像分类技术中，仅使用了高光谱图像中丰富的光谱信息，而没有考虑相邻像元光谱信息与当前光谱信息的相关性。近年来，基于空谱联合特征的高光谱图像分类方法通过引入空间信息，显著提高了高光谱图像分类精度。

为了有效联合空间信息和光谱信息完成高光谱图像分类任务，研究者们提出了一些能够提取低纬度空谱联合特征的特征提取方法。然而大多数传统的特征提取方法都是基于人工或者浅层学习模式，高度依赖领域知识，这些特征提取方法在大多数高光谱图像中很难平衡可辨性和鲁棒性。

随着深度学习成为最先进的机器学习技术，其为特征提取提供了理想的解决方法。深度学习从原始数据中自主地提取特征，大体上又可以分为无监督分类和有监督分类两种。对比文件(发明专利，申请号：CN107909015A)公开了一种使用卷积神经网络进行高光谱图像分类的方法，其首先将光谱信息和空间信息拆分开，单独将光谱信息放入卷积神经网络中提取特征，最后将光谱特征和空间特征进行融合。该方法基于CNN模型具有的局部特征检测能力，能够自主地提取光谱特征，拥有比传统方式更高的分类性能；但该方法将空间特性和光谱特征分开提取，导致无法充分利用空谱联合信息，分类精度有进一步提高的空间。

总体而言，当前的高光谱图像分类技术要么过于复杂，需要人为设置大量的参数；要么就是无法充分利用空谱联合信息，导致部分特征未能被捕获，造成分类精度下降。本发明在以往分类技术的各自优势上，提出了一种改进型的高光谱图像分类方法，即基于三维深度残差网络的空谱融合高光谱图像分类方法，该方法同时提取空间信息和光谱信息特征，具有很好的分类效果，并且鲁棒性强。

发明内容

本发明针对传统的空谱联合分类方法实现复杂、人工预设特征对分类结果影响大等缺点，整合空间信息和光谱信息的“双高特性”，从而得到一种新的三维深度残差网络结构。本发明主要解决的技术问题在于：充分利用光谱信息与空间信息，利用带有残差结构的三维卷积神经网络，提升网络性能及高光谱图像的目标分类精度。

为解决上述技术问题，本发明采用一种基于三维深度残差网络的空谱融合高光谱图像分类方法，其步骤为：

S1：使用滑窗法生成候选框，生成若干窗口；

对输入图像利用不同窗口尺寸的滑窗进行从左往右、从上到下的滑动，生成若干个尺寸相同的窗口；为了提高物体识别精度以及召回率，需要考虑不同的窗口尺寸以及长宽比这两个参数。

S2：随机划分训练集与测试集数据，将上一步中生成的窗口按比例随机划分为训练集和测试集；