[发明专利]基于三元组损失和卷积神经网络的高光谱图像分类方法

权利要求书

1.基于三元组损失和卷积神经网络的高光谱图像分类方法，包括以下步骤：

获取高光谱图像数据；

对高光谱图像进行预处理；

训练样本提取；

利用卷积神经网络提取高光谱图像特征；

构造改进三元组损失；

对所述卷积神经网络进行训练；

利用训练得到的神经网络对未知样本进行分类；

其特征在于，

所述改进三元组损失由前若干个最困难分类的同类样本和不同类样本构造而成，且

其中，L_IT为所述改进三元组损失，D(f(x_i)，f(x_j))＝||f(x_i)-f(x_j)||₂，f(x_i)是样本x_i经过卷积神经网络输出的特征；是同类样本的阈值；是不同类样本的阈值；是求和号里面的项数；H(x)＝max(0，x)是铰链函数。

2.根据权利要求1所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，使用扩展多属性剖面对高光谱图像进行预处理。

3.根据权利要求2所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，使用扩展多属性剖面对高光谱图像进行预处理具体包括：用主成分分析对原始高光谱数据进行降维，保留三个主成分；

在每个主成分上分别提取面积和标准差两种属性下的特征；属性滤波在给定参考阈值的前提下，评估相连像素的属性值；如果相连像素的属性值大于阈值，则这一区域将被保留，反之，这块区域将被赋为与邻域相近的像素值，即合并到周边子块；

把每个主成分上的每个属性下的不同阈值下提取的特征串联起来，得到扩展多属性剖面后，对高光谱图像进行预处理。

4.根据权利要求3所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，所述训练样本提取具体包括：在进行扩展多属性剖面预处理之后，以每个像素点为中心取一个预设窗口大小的空间区域，包括所有的通道，创建一个长方体数据，作为网络的输入样本。

5.根据权利要求1所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，利用卷积神经网络提取高光谱图像特征具体包括：对卷积神经网络的输入，用128个空间大小为3×3的卷积核进行卷积，然后再经过一个批次归一化层和ReLU传递函数，得到一个9×9×128的数据；

对得到的9×9×128的数据，再用128个空间大小为3×3的卷积核进行卷积，然后再经过一个ReLU传递函数，得到一个7×7×128的数据；

对得到的7×7×128的数据，再用64个空间大小为1×1的卷积核进行卷积，然后再经过一个批次归一化层，得到一个7×7×64的数据；

对得到的7×7×64的数据，重新调整大小为3136×1，然后再经过一个具有256个神经元的全连接层，得到一个256×1的特征。

6.根据权利要求1所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，加权结合交叉熵损失和所述改进三元组损失得到最终三元组损失对所述卷积神经网络进行训练。

7.根据权利要求6所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，对一个批次的每个训练样本x_i，经过卷积神经网络得到的特征，再经过一个全连接层和softmax传递函数，得到属于每个类别的概率然后和样本x_i的类别的独热编码y_i进行相似度计算，构造交叉熵损失L_CE：

将改进三元组损失L_IT和交叉熵损失L_CE以权重值λ进行加权合并得到最终三元组损失L_proposed，以所述最终三元组损失L_proposed对卷积神经网络进行训练；

其中，L_proposed＝λL_IT+L_CE。

8.根据权利要求1所述基于三元组损失和卷积神经网络的高光谱图像分类方法，其特征在于，所述利用训练得到的神经网络对未知样本进行分类是把待分类像素点的类别识别为具有最大概率的类别。