[发明专利]基于脉冲神经网络的高光谱遥感影像分类方法

说明书

本发明属遥感信息处理技术领域，特别涉及一种基于脉冲神经网络的高光谱遥感影像分类方法。本发明提供一种新的基于脉冲神经网络的高光谱遥感影像分类方法，该方法将卷积神经网络分类模型转换为等效的脉冲神经网络分类模型，测试数据经过预处理和脉冲形式转换后输入到脉冲神经网络分类模型中得到初始预测标签，通过在初始标签上增加边界光滑约束，得到效果更佳的最终分类结果，且由于脉冲神经网络中的计算是事件驱动的，因此脉冲神经网络可以提供快速且轻量级的深度网络预测方式，这在移动设备或廉价计算环境中非常重要。

技术领域

本发明属遥感信息处理技术领域，特别涉及一种基于脉冲神经网络的高光谱遥感影像分类方法。

背景技术

高光谱图像(HSI)是由高光谱遥感器捕获，具有数百个连续窄光谱带的图像。高光谱图像能提供丰富的光谱信息，以识别和区分地球某一区域的地面物体种类。由于高光谱图像同时能够提供光谱域和空间域信息，因此被用于许多重要的社会应用领域，例如矿产资产勘察，森林资源清查和城市建设规划。

上述应用的成功依赖于正确的HSI图像分类，HSI分类的目的是为整个图像的每个像素分配正确的标签。

在过去几年中，许多不同的方法已应用于HSI分类。在早期的研究中，先验知识和数学方法被用来获得用于分类的空间信息和光谱信息。使用谱空间信息进行训练，并使用传统的机器学习方法对HSI数据进行分类，例如k-邻近算法(kNN)，支持向量机(SVM)等。

随着深度神经网络的快速发展，近来遥感高光谱图像(HSI)的分类精度得到了极大的提高。然而，基于卷积神经网络(卷积神经网络)的深度网络的推断是非常低效的，通常需要配置高性能GPU处理器的电脑才能运行。

发明内容

为了解决上述技术问题，本发明提供一种新的基于脉冲神经网络的高光谱遥感影像分类方法。

本发明具体技术方案如下：

本发明提供一种基于脉冲神经网络的高光谱遥感影像分类方法，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。

本发明的有益效果如下：

本发明提供一种新的基于脉冲神经网络的高光谱遥感影像分类方法，该基于脉冲神经网络的高光谱遥感影像分类方法使用卷积神经网络作为基础网络然后将其转换为脉冲神经网络，可以保证脉冲神经网络对数据集的准确性，基于初始的预测结果，采用图割(graphcut)的后处理算法，该算法利用相邻像素标签属于同一类的先验知识进一步提高了预测结果的准确性。由于脉冲神经网络中的计算是事件驱动式的，因此脉冲神经网络可以提供快速且轻量级的深度网络预测计算方式，这在移动设备或廉价计算环境中非常重要。

附图说明

图1为本发明中基于脉冲神经网络的高光谱遥感影像分类方法的流程图；

图2为本发明中步骤S1的流程图；

图3为本发明中步骤S2的流程图；

图4为本发明中步骤S22的流程图；

图5为本发明中步骤S31-S33的流程图；

图6为本发明中步骤S34-S37的流程图；