[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

说明书

本发明公开了一种基于多尺度PCA‑3D‑CNN空谱联合的高光谱遥感影像分类方法，本发明有效缩短了模型的训练时间，高效提取高光谱影像的特征，显著提高地物分类的精度，且分类性能较传统的2D‑CNN模型相比，在遥感影像分类上有明显的优势。传统的2D‑CNN模型忽略了每个波段上的像元邻域信息，舍弃了目标地物的空间信息，而空谱联合的多尺度PCA‑3D‑CNN模型，利用PCA算法降低数据的特征维度和各波段间的相关性，有效缩短模型的训练时间，同时对高光谱影像中的数据进行三维卷积，充分利用高光谱影像空谱联合信息的优势，并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，极大提高了模型的分类精度。

技术领域

本发明涉及高光谱遥感影像分类技术领域，特别是涉及一种基于多尺度PCA-3D-CNN空谱联合的高光谱遥感影像分类方法。

背景技术

在深度学习领域中，卷积神经网络(CNN)在对高维数据的特征选择与提取上优于其他深度学习模型，基于卷积神经网络的方法已经在图像处理领域得到了广泛应用。在参数初始化方面，方法由最开始的恒定值初始化方法，到均匀初始化、高斯初始化方法，再到目前最新的Xavier、MSRA方法，不断优化，新方法的提出使得网络在变深时更容易收敛；在网络结构方面，构建了许多经典网络，如LeNet-5、network in network(NIN)、VGGNet、ResNet等，应用于不同的分类需求；在网络训练方面，提出了dropout、batchnormalization(BN)、Relu等新方法，使CNN模型得到更加广泛的应用。但是，目前卷积神经网络在高光谱图像的分类上仍存在着如模型训练时间较长、训练样本数较少时分类精度较低等缺点。此外，目前大多数高光谱影像分类方法仅依据光谱特征信息而忽视空间上的像元邻域信息，导致高光谱影像空间结构信息受到损失、分类精度不高。付光远等人提出的3D-CNN模型虽然改善了这一现象，但在一些小数据量情况下的训练效果仍不尽人意，不能得出较好的分类效果。

发明内容

本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于多尺度PCA-3D-CNN空谱联合的遥感影像分类方法。

本发明采用如下技术方案：

本发明所述的基于多尺度PCA-3D-CNN空谱联合的遥感影像分类方法，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，在保留96％～99％有效光谱信息的基础上大大减少数据量，从而达到减少训练时间的目的。之后将已降维数据进行标准差归一化处理。如公式(1)所示

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。

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，此模型在传统CNN模型基础上进行了改进。它包含五个卷积层、三个全连接层。具体模型架构如图1所示，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。在本方法设计的3D-CNN模型中，在光谱维上，鉴于光谱的独特性，每次卷积选取三个波段；在空间维上，由于地物的尺寸大小不一，采用多尺度卷积(1*1,3*3,5*5)来提取多尺度邻域特征，如图2所示。鉴于光谱特征的独特性，在光谱维不采取尺度变化。为保持输出数据一致性，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：