[发明专利]基于脉冲神经网络的高光谱遥感影像分类方法

权利要求书

1.一种基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，包括如下步骤：

S1：获取原始的HSI数据集，并对HSI数据集进行预处理；

S2：对预处理后的HSI数据集进行训练，并将等效的卷积神经网络分类模型转换为脉冲神经网络分类模型，所述脉冲神经网络分类模型用于对HSI图像进行分类；

S3：获取测试数据集，并对测试数据集进行滑动窗口截取预处理操作，将预处理后的高光谱图像转换为脉冲形式后输入脉冲神经网络分类模型中，得到初始预测标签，通过在初始预测标签上增加边界光滑约束，得到最终分类结果。

2.根据权利要求1所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S1中对HSI数据集进行预处理包括如下步骤：

S11：采用滑动窗口剪裁HSI数据集，获得以每个像素为中心的大小为k×k的图像块；

S12：沿光谱维度引入随机R-PCA压缩整个图像，降维后，每个图像块的尺寸均为k×k×c_r，c_r为常数经验值。

3.根据权利要求2所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S2中包括如下步骤：

S21：采用卷积神经网络模型基于预处理后的HSI数据集训练等效卷积神经网络；

S22：将等效的卷积神经网络分类模型转换为脉冲神经网络分类模型。

4.根据权利要求3所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S21中卷积神经网络框架的结构为，第一层和第二层均为卷积层，第一层的内核大小为3×3，内核数C1＝3×c_r，第二层的内核大小为3×3，内核数C2＝3×C1，余下三层被组织为经典的MLP分类器，将MLP隐层神经元的数量设置为6×c_r。

5.根据权利要求3所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S21中卷积神经网络模型最后一隐含层的激活函数使用softmax，余下隐含层的激活函数采用ReLU，且所有层涉及到的降采样pooling操作均采用max pooling。

6.根据权利要求3所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S22包括如下步骤：

S221：计算每个神经元的膜电位，对各膜电位做泊松采样，从而将神经元的响应转换为脉冲形式；

S222：取整个神经网络神经元的最大响应值为基准，对偏置和其他网络参数归一化，将对应的卷积神经网络中的偏置转换为脉冲形式；

S223：将等效的卷积神经网络分类模型的softmax层转换为脉冲形式。

7.根据权利要求6所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S223中还计算膜电位上的softmax函数，得到一位于[0,1]之间的值，将得到的值作为泊松采样的速率参数，根据速率参数计算激发脉冲的神经元。

8.根据权利要求1所述的基于脉冲神经网络的高光谱遥感影像分类方法，其特征在于，步骤S3中对测试数据集进行预处理包括如下步骤：

S31：将高光谱图像的测试数据集记为H∈R^h×ω×d，记每张图像各个像素对应的标签形成的标签序号集合为g∈{1，2，...，G}，其中g是不同类标签的编号，G表示标签的种类数目，ω和h分别表示高光谱图像的宽度和高度，d表示高光谱图像的通道数；

S32：采用滑动窗口方法对测试数据集的图像进行裁剪，获得多个图像块，记为图像块集合X＝{x₁，x₂，...，x_N}，其中第i个图像块x_i∈R^k×k×d，k是图像块的空间维度大小，N表示滑动窗口方法裁剪的图像块总数；

S33：沿光谱维度采用随机PCA算法压缩整个图像，降维后，每个图像块的尺寸为k×k×c_r。