[发明专利]基于多尺度PCA-3D-CNN空谱联合的高光谱遥感影像分类方法

权利要求书

1.基于多尺度PCA-3D-CNN空谱联合的高光谱遥感影像分类方法，其特征在于：包括以下步骤：

S1:采用PCA技术对高光谱影像的光谱维进行降维处理，将实验中的原始数据集的光谱维使用PCA方法压缩至16维，之后将已降维数据进行标准差归一化处理；

S2:将上述标准差归一化后的数据输入到多尺度PCA-3D-CNN神经网络模型中，取得多尺度的特征信息；多尺度PCA-3D-CNN神经网络模型包含五个卷积层、三个全连接层，其中卷积层选用三维卷积核且其数目逐层翻倍，其中第一、二层卷积层采用多尺度卷积核1*1*3,3*3*3,5*5*3，设置不同尺寸的卷积核并对输入图像进行多尺度卷积，取得多尺度的特征信息；每次卷积选取三个波段，在空间维上，采用多尺度卷积1*1,3*3,5*5来提取多尺度邻域特征；

卷积过程中将padding设置为“SAME”，并选用Relu激活函数增加网络的非线性，第三至五层卷积层使用单一尺度的卷积核3*3*3，将不同尺度的特征进行统一整合，为了减少提取特征的数量，避免出现提取特征过多的问题，同时将padding设置为“Valid”；整个3D卷积过程可用公式2表示：

其中，h、w分别表示空谱维度上卷积点在卷积核上的长度及宽度位置，r表示卷积点在光谱维度上在卷积核上的位置，i表示网络层数变量，j表示卷积核数变量，m表示第i-1层中与当前特征图相连的特征图，H_i与W_i表示卷积核的长度和宽度，R_i表示卷积核在光谱维度上的尺寸，(x,y,z)表示卷积核上位置，表示第i层网络中第j个卷积核上位置(x,y,z)的值，代表与(h,w,r)相连的第m个特征图的连接权值,b_i,j表示第i层第j个特征图的偏置；将经过卷积层卷积操作提取到的特征输入到全连接层中，从而实现特征整合并得到最终分类结果；

S3：进行模型的训练，将训练样本输入到上述模型中；本方法训练过程中使用dropout方法随机隐藏全连接层中的部分神经元，隐藏概率为0.5；

S4：待多尺度PCA-3D-CNN神经网络经过样本训练之后，将测试样本输入到网络中进行测试样本的分类；其中本方法将传统CNN模型中倒数第二层激活函数设置为Sigmoid函数，并通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam梯度下降优化算法，确保损失迅速收敛至全局最小。

2.根据权利要求1所述的基于多尺度PCA-3D-CNN空谱联合的高光谱遥感影像分类方法，其特征在于：S1步骤中，将已降维数据进行标准差归一化处理采用如下公式(1)：

其中x'为进行标准差归一化后输出值,x为降维后的输入数据值，μ为数据集样本均值，σ为标准差。