[发明专利]一种改进型3D卷积网络高光谱遥感影像分类方法及装置

权利要求书

1.一种改进型3D卷积网络高光谱遥感影像分类方法，其特征在于，包括以下步骤：

计算高光谱遥感影像中所有波段样本点的标准分数总和，进行评价和排序，从排序中选取质量更好的多个波段以实现降维处理；

对降维后的影像数据进行切割处理；

将切割处理所获取的影像块作为改进型3D卷积神经网络结构的输入，完成对高光谱遥感影像的分类预测；

所述改进型3D卷积神经网络结构分为两部分，第一部分包含一层输入层，三层双卷积池化结构，每层卷积层后连接一个BN层、激励操作层、池化层；第二部分包含一层全连接层，一层softmax分类层，在全连接层后连接一个BN层、一个激励操作层和一个Dropout层。

2.根据权利要求1所述的方法，其特征在于，所述的标准分数的计算公式如下：

式中，为标准分数，为具体分数，为分数平均数，为分数标准差；

某一波段的标准分数总和的计算方法如下：

式中，表示第类第个波段的所有像素点，表示第类的像素个数，表示求平均值操作，表示求标准差操作，表示求和操作。

3.根据权利要求1所述的方法，其特征在于，所述的对降维后的影像数据进行切割处理，包括：

所述高光谱遥感影像数据包括图像数据和与所述图像数据对应的标签数据；

采用滑窗切割方式，分别对图像数据和标签数据进行切割，得到影像块：

将图像数据切割成相邻的大小为的图像块，切割后的图像块的维度为,为降维处理后影像的波段数；

将标签数据切割成相邻的大小为的标签块，切割后的标签块的维度为；

一个所述影像块包括一个图像块以及与其对应的标签块。

4.根据权利要求1所述的方法，其特征在于，所述激励操作层采用ReLU激活函数进行激励操作，池化层采用最大池化。

5.根据权利要求4所述的方法，其特征在于，在所述改进型3D卷积神经网络结构中，神经元在的值为：

其中表示第层神经元，表示第个特征图，和是卷积核的高和宽，是卷积核沿着光谱维度的维数大小，表示与前一层中连接的特征个数，与每层的特征维度相关；是与第个特征中第个神经元连接的权重，为神经元在第层神经元上第个特征图的偏差值；是激活函数，采用ReLU激活函数。

6.一种改进型3D卷积网络高光谱遥感影像分类装置，其特征在于，包括：

降维处理模块，用于计算高光谱遥感影像中所有波段样本点的标准分数总和，进行评价和排序，从排序中选取质量更好的多个波段以实现降维处理；

切割处理模块，用于对降维后的影像数据进行切割处理；

分类预测模块，用于将切割处理所获取的影像块作为改进型3D卷积神经网络结构的输入，完成对高光谱遥感影像的分类预测；

所述改进型3D卷积神经网络结构分为两部分，第一部分包含一层输入层，三层双卷积池化结构，每层卷积层后连接一个BN层、激励操作层、池化层；第二部分包含一层全连接层，一层softmax分类层，在全连接层后连接一个BN层、一个激励操作层和一个Dropout层。

7.一种电子设备，其特征在于，包括：

存储器，用于存储计算机软件程序；

处理器，用于读取并执行所述存储器中存储的计算机软件程序，进而实现权利要求1-5任一项所述的一种改进型3D卷积网络高光谱遥感影像分类方法。

8.一种非暂态计算机可读存储介质，其特征在于，该存储介质中存储有用于实现权利要求1-5任一项所述的一种改进型3D卷积网络高光谱遥感影像分类方法。