[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

说明书

本发明涉及一种改进型3D卷积网络高光谱遥感影像分类方法及装置，首先根据基于标准分数的评价指标从高光谱影像中选取若干个质量更好的波段实现对高光谱遥感影像的降维处理，然后从降维后的影像中提取以待分类的图像块并相应构建了3D卷积神经网络对图像块进行分类。通过降维处理降低了模型的计算量，同时使用特征选择的方法有效地避免了降维处理导致的信息的缺失和损毁。对降维后的高光谱遥感影像使用合适的方式切割，同时采用双卷积池化结构来进行分类，参数量更小，网络结构更为精简，从而达到减少模型参数，降低模型计算量的作用。

技术领域

本发明涉及遥感技术领域，具体涉及一种改进型3D卷积网络高光谱遥感影像分类方法及装置。

背景技术

高光谱遥感影像数据是一个包含光谱和空间信息的数据立方体，能够获取地表物体上百个连续谱段的信息，提供丰富的光谱信息来增强对地物的区分能力。高光谱遥感影像分类是给影像中的每个像元赋予唯一的类别标识，传统的高光谱分类方法大多是基于数理统计的，例如最大似然分类，而随着机器学习的发展，更多地会选择使用支持向量机来对高光谱影像进行分类。而近年来，基于深度学习的图像分类成为了研究热点，深度学习的方法也被应用到了高光谱遥感影像分类中，例如卷积神经网络模型。

由于光谱的高维特性、信息冗余和地表覆盖的同物异谱及同谱异物现象，导致高光谱数据结构呈高度非线性，基于统计模式识别的分类模型难以直接对原始高光谱数据进行分类识别，且参与监督学习的训练样本十分有限，造成分类精度随着特征维数上升而下降。针对高光谱遥感影像分类问题，既要考虑分类模型的有效性，也要充分利用丰富的空间和光谱信息。目前在对高光谱遥感影像分类时更多的则是利用深度卷积网络（这里指的是二维卷积网络，以下统称CNN）模型来进行分类，其利用CNN的局部感知、权值共享等特性，从而大大减少了模型的参数和降低了训练的难度，进一步提高了分类的性能。但CNN需要将空间和光谱信息分开提取，未能充分利用高光谱遥感影像所有波段的信息，而3D卷积神经网络应用于高光谱遥感影像分类时能够提取空间-光谱的深层特征，同时还加入了虚拟样本解决了样本匮乏的问题，但3D卷积神经网络卷积层参数较多，增加了模型的计算量。另一方面，在对高光谱遥感影像进行分类时需要对高光谱遥感影像做一定的图像处理，提取出其中的光谱信息和空间信息，而在处理的过程中，去除数据冗杂是必不可少的一步，即对高光谱遥感影像做降维处理，常见的降维方法有主成分分析方法、独立成本分析方法和特征选择方法。同时在对高光谱遥感影像做降维处理时很有可能因为方法不当而导致信息的缺失与损毁，通过使用特征选择方法来选取质量更好的波段能够有效地减少网络卷积层的参数，降低了模型的计算量，也能够尽可能地避免降维处理时所导致的高光谱数据的信息缺失与损毁。

纵观上述，首先对高光谱遥感影像做降维处理，通过特征选择的方法选取质量更高的波段，然后对降维后的影像使用3D卷积神经网络进行分类能够更加有效地利用高光谱遥感影像的光谱信息和空间信息，获取到更好的分类结果。

发明内容

本发明针对现有技术中存在的技术问题，提供一种改进型3D卷积网络高光谱遥感影像分类方法及装置，首先根据基于标准分数的评价指标从高光谱影像中选取若干个质量更好的波段实现对高光谱遥感影像的降维处理，然后从降维后的影像中提取以待分类的图像块并相应构建了3D卷积神经网络对图像块进行分类。

作为本发明的第一方面，本发明提供一种改进型3D卷积网络高光谱遥感影像分类方法，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。