[发明专利]一种基于卷积神经网络的高光谱图像分类方法

权利要求书

1.一种基于卷积神经网络的高光谱图像分类方法，其特征在于，包括：

S1：获取待分类的高光谱图像；

S2：基于卷积神经网络对所述高光谱图像所属类别进行预测分类；

其中，所述卷积神经网络包括顺次相连的输入层、空间信息提取层、光谱信息提取层、全连接层模块以及分类器；

所述输入层用于对所述高光谱图像进行图像预处理、边界镜像处理以及数据裁剪处理，得到预设大小的输入图像块；

所述空间信息提取层用于将所述输入图像块转换为维度为1×1×3M的特征向量，并提取出转换过程中得到的空间信息，其中，M为预设值；

所述空间信息提取层包括带卷积残差模块和多尺度滤波器模块，所述带卷积残差模块包括第一初始卷积层、第二初始卷积层、第三初始卷积层和第四初始卷积层，所述第一初始卷积层、第二初始卷积层和第三初始卷积层串联，所述第四初始卷积层与第二初始卷积层和第三初始卷积层并联，其中，所述第一初始卷积层得到的特征向量输入第四初始卷积层，且第四初始卷积层得到的特征向量与第三初始卷积层得到的特征向量相加；

所述多尺度滤波器模块包含三个相同的并行滤波支路以及与三个并行滤波支路连接的拼接层，所述并行滤波支路包含串联的多尺度卷积层和最大值池化层，其中，所述拼接层将三个并行滤波支路得到的特征向量在通道上拼接；

所述光谱信息提取层用于将维度为1×1×3M的特征向量转换为维度为1×1×M的特征向量，并提取出转换过程中得到的光谱信息；

所述全连接层模块用于将维度为1×1×M的特征向量映射为维度为1×C特征向量，其中，C为高光谱图像地物类别数；

所述分类器用于通过softmax函数对维度为1×C的特征向量进行归一化，进而对高光谱图像所属类别进行预测分类。

2.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述图像预处理包括平场校正处理、归一化处理和通道平均移除处理中的一种或者几种的组合；

所述平场校正处理：依据算式为I_r＝F(I_s-I_d)/(I_w-I_d)将原始反射光谱图像转换为相对反射光谱图像，I_s为原始反射光谱图像，I_d为暗场光谱图像，I_w为漫反射标准白板的光谱图像，I_r为相对反射光谱图像，F为缩放系数；

所述归一化处理：将光谱图像的灰度值缩放到预设数值范围；

所述通道平均移除处理：将光谱图像每一个像素点灰度值减去该像素点对应所有通道像素点灰度值的均值。

3.根据权利要求2所述的高光谱图像分类方法，其特征在于，所述边界镜像处理包括：将维度为H×W×N的原高光谱图像中靠近图像边界Dr行和Dc列内的高光谱图像像素沿最近边界对称，得到维度为(H+2Dr)×(W+2Dc)×N的新高光谱图像，其中，H表示图像高度，W表示图像宽度，N表示通道数。

4.根据权利要求3所述的高光谱图像分类方法，其特征在于，所述数据裁剪处理包括：将所述新高光谱图像裁剪为h×w×N的三维数据作为输入图像块，其中，h表示预设高度，w表示预设宽度。

5.根据权利要求1所述的高光谱图像分类方法，其特征在于，三个并行滤波支路的多尺度卷积层的卷积核大小不同，用于提取不同尺度的空间信息；

所述最大值池化层用于将所述多尺度卷积层得到的特征向量转换为维度为1×1×M特征向量；

所述拼接层用于将三个维度为1×1×M的特征向量拼接为维度为1×1×3M的特征向量。

6.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述光谱信息提取层包括第一深层卷积层和一个或多个残差块，所述第一深层卷积层和残差块依次串联，所述残差块包含两个串联的第二深层卷积层和第三深层卷积层，第二深层卷积层的输入与第三深层卷积层的输出短路连接，其中，第三深层卷积层得到的特征向量与输入第二深层卷积层的特征向量相加，得到维度为1×1×M的特征向量。