[发明专利]一种基于深度学习空谱联合网络的高光谱图像分类方法

说明书

本发明公开了一种基于深度学习空谱联合网络的高光谱图像分类方法，首先，对原始高光谱图像进行数据划分，而后利用少量标签数据训练基于深度学习空谱联合网络，输入的高光谱原始图像将会被带有注意力机制的双向长短时记忆模型和1D空洞卷积神经网络同时做光谱维特征提取处理，得到最终的光谱特征图；输入图像经过数据归一化处理，而后进行PCA降维，提取输入特征，并将输入特征送入多尺度多层次滤波器卷积网络中提取空间特征，再经由全局平均池化层处理，得到最终的空间特征图；最后结合已训练好的网络参数进行分类。本发明将光谱维特征与空间特征分开处理，能获得更为丰富有效的光谱特征图及更为丰富的特征表达，分类精度得到进一步提升。

技术领域

本发明属于遥感图像处理领域，具体涉及一种基于深度学习空谱联合网络的高光谱图像分类方法。

背景技术

高光谱遥感图像可以从上百条连续的光谱波段中提取地物信息，这使得其拥有强大的对地目标区分能力。在过去的几十年里，高光谱图像在军事目标探测、海洋监测、灾害防治等方面均发挥了重要作用。但高光谱图像的识别与分类始终是高光谱图像分析的一个关键问题，它对高光谱遥感技术的推进与发展起着非常重要的作用，因此，研究高效实用的HIS分类方法，对充分挖掘高光谱遥感技术的应用潜力具有重要意义。

迄今为止，研究者已经提出非常多的方法将高光谱图像的像元划分为特定的土地覆盖类。在早期的分类方法中，诸如k临近分类器和支持向量机等光谱分类器被广泛使用。为了更好的应对高光谱图像复杂的空间分布和光谱分布，诸如马尔可夫随机场等光谱空间分类方法被提出。但是这些方法大多属于浅层模型，这种模型中的非线性变换层数不足以表示高光谱图像复杂的空间和光谱特征，泛化能力较弱。同时，由于其往往基于手工特征，高度依赖个人经验。

为了克服这些缺点，深度学习被引入高光谱分类中，它可以自动的从原始输入数据中由低到高的学习层次特征，进而充分挖掘高光谱图像中更具代表性的显著特征。这种端到端的学习策略极大的促进了高光谱图像分类算法的性能，如 Mou等人提出一种基于跳跃结构的深度网络分别处理空间特征与光谱特征，而 Zhang等人则利用残差网络，连续的对光谱特征和空间特征进行学习。但前者做了波段选择，这导致特征大量丢失，且光谱维中的上下文连续信息也会被破坏，而后者则无法完整的提取整条光谱信息，且二者均仅采用了卷积神经网络提取特征，该网络对局部相关特征提取有着突出优势，但无法提取完整特征信息。如何利用深度学习算法提取出更丰富高效的空谱判别特征，仍有很大的研究空间。

发明内容

发明目的：为了解决上述问题，本发明提供一种基于深度学习空谱联合网络的高光谱图像分类方法，将光谱维特征与空间特征分开处理，能获得更为丰富有效的光谱特征图及更为丰富的特征表达，分类精度得到进一步提升。

技术方案：本发明所述的一种基于深度学习空谱联合网络的高光谱图像分类方法，包括如下步骤：

(1)对原始高光谱图像进行数据划分，划分为训练集和测试集；

(2)利用训练集数据训练深度学习空谱联合网络；所述深度学习空谱联合网络由带有注意力机制的双向长短时记忆网络、1D空洞卷积神经网络和多层次多尺度滤波器卷积网络三个网络共同构成；所述带有注意力机制的双向长短时记忆网络和1D空洞卷积神经网络同时对输入的训练集数据以单个像素点为向量，做光谱维特征提取处理，并将提取到的特征图拼接在一起，得到最终的光谱特征图；所述多层次多尺度滤波器卷积网络负责处理输入训练数据空间域上的特征信息，在对输入训练集数据进行归一化处理后在作PCA降维，并以待分类像元和以待分类像元为中心的一定邻域范围内的特征块作为输入特征，将此输入特征送入多层次多尺度滤波器卷积网络中提取空间特征，经由全局平均池化层处理，得到最终的空间特征图；

(3)将光谱特征图和空间特征图进行拼接，并交由全连接融合所有特征至 1维，再传递给softmax函数进行分类。

进一步地，所述训练集和测试集的比例为1:9。