[发明专利]联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法

说明书

本发明涉及一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法，通过使用3D/2D稠密连接网络和多个中间分类器构建网络模型，又将自适应光谱解混作为网络分类结果的补充。具有早退出机制的多个中间分类器的设计使得模型可以使用自适应光谱解混来促进分类，这为计算量和最终分类性能带来了相当大的益处。此外，本发明还提出了一个基于空谱特征的3D/2D卷积，使得三维卷积能够包含较少的三维卷积，同时通过利用二维卷积获得更多的光谱信息来增强特征学习，从而降低了训练的复杂度。本发明与现有的基于深度学习的高光谱图像分类方法相比，计算效率更高，精度更高。

技术领域

本发明涉及一种针对低空间分辨率的高光谱图像分类方法，该方法是一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类，属图像处理领域。

背景技术

高光谱遥感图像光谱分辨率高、成像波段多、信息量大，在遥感应用领域得到广泛应用。高光谱图像分类技术是高光谱图像处理技术中十分重要的内容。高光谱中丰富的光谱分辨率可以提高精确区分地物的能力。虽然丰富的光谱分辨率对于分类问题是有用的，但丰富的光谱分辨率的代价是较低的空间分辨率。由于空间分辨率低，每个像素的光谱特征会由不同光谱混合组成。如果像素在高光谱数据中高度混合，则很难确定其类别标签，因为它不容易与其他类别分离。因此，低空间分辨率导致的混合像元是影响高光谱分类精度的主要障碍之一。从表面上看，混合像素对高光谱分析有一定的负面影响。然而，最近通过对混合像素的物理形成机制的深入分析研究，可以发现混合像素对高光谱解译的积极因素。已有研究发现光谱解混也可以为高光谱分类问题提供有价值的信息。

近年来基于深度学习的高光谱分类算法取得了突破性的进展。考虑到高光谱解混和分类的成功结合以及深度学习的发展，研究如何利用解混和基于深度学习的分类算法结合，构造高效的深度学习网络结构一直是一项具有挑战性的任务。

发明内容

要解决的技术问题

针对低空间分辨率的高光谱图像分类问题，结合深度学习和光谱解混相关技术，设计一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法。

技术方案

一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法，其特征在于步骤如下：

步骤1：数据预处理

对待处理的高光谱图像数据进行最大最小归一化，归一化公式如下：

其中，x_ijs表示高光谱图像中的一个像元，i、j分别表示该像元位于高光谱图像中的坐标位置，s表示高光谱图像的谱段，为归一化后的一个像元，x_··smax、x_··smin分别表示三维高光谱图像在s谱段的最大值和最小值；

步骤2：数据分割

统计高光谱图像中标签样本的个数，将数据分为三部分：有标签训练样本集X^L，验证样本集X^V，测试样本X^T；对于一个尺寸为M*N*D的三维高光谱图像数据，M，N分别表示高光谱图像的高和宽，D表示高光谱图像的波段数；抽取样本时，以待处理像素为中心，抽取S*S*D的数据块作为中心像素的样本数据，S表示邻域大小；

步骤3：构建基于早退出机制的3D/2D稠密连接网络模型