[发明专利]结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法

说明书

本发明属于高光谱影像分类技术领域，特别涉及一种结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法，该方法首先利用深度残差三维卷积层提取地物高光谱影像的深层空谱特征，然后经初始胶囊层得到特征向量胶囊，并通过三维动态路由机制映射为概率胶囊，以此构建类别概率图，最后通过马尔科夫随机场实现分类结果的空间结构规则化。本发明结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法，能够充分利用高光谱影像的深层空谱特征信息进行分类，在有限样本条件下得到了较高的分类精度；引入马尔科夫随机场空间结构规则化，能够消除分类结果图中混合像元引起的类别噪声，有效改善了整体分类效果。

技术领域

本发明属于高光谱影像分类技术领域，特别涉及一种结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法。

背景技术

高光谱遥感的优势在于能够同时获取众多连续波段的光谱图像，实现地物的精细描述，达到识别地物的目的。经过几十年的发展，高光谱遥感已在资源勘查、精细农业、城市调查和军事目标侦察等军民领域得到了广泛应用，促进了国民经济的快速增长和国防事业的发展。高光谱影像分类是高光谱遥感应用的关键，其难点在于如何解决高光谱数据高维复杂的数据结构、样本数量较少以及空谱特征信息利用不足等问题。围绕这些问题，国内外学者开展了大量的研究工作，并取得了丰硕的研究成果。经典的高光谱影像分类方法包括统计模式识别法、核方法和联合空间光谱特征的方法等。然而，统计模式识别法在分类时存在“维数灾难”现象，核方法和联合空谱特征的方法需要人工设计特征，泛化能力较差。

近年来，随着人工智能技术的飞速发展，具备自动提取深层次判别特征和端到端学习特点的深度学习方法逐渐被用于高光谱影像分类处理中。这些方法包括堆栈自编码网络(Stacked Autoencoder Network,SAE)、深度置信网络(Deep Belief Networks,DBN)、递归神经网络(Recurrent Neural Network,RNN)和卷积神经网络(Convolutional NeuralNetwork,CNN)等等。凭借强大的特征提取能力，卷积神经网络在高光谱影像分类中应用最为广泛，如：基于光谱特征的1D-CNN分类方法、基于PCA等空间特征提取的2D-CNN分类方法以及直接利用高光谱立方体数据进行空谱特征分类的3D-CNN方法。尽管如此，基于卷积神经网络的高光谱影像分类方法仍存在一些的缺陷：一是网络模型的输入输出均为标量，一定程度上限制了模型的表示能力；二是最大池化策略往往忽视了特征之间的空间关系，而这些空间关系很可能是区分地物类别的关键判别信息。

2017年，Hilton提出了胶囊网络(Capsule Networks，CapsNets)的概念。与卷积神经网络相比，胶囊网络采用向量化的胶囊神经元编码特征信息，并利用权重矩阵和动态路由算法传递特征对象之间的空间关系，具有更高层次上的抽象建模能力，因此更适合于高光谱影像分类。Paoletti等最早将胶囊网络应用于高光谱影像分类；Deng等提出通过增加胶囊网络的卷积层和池化层，以解决小样本条件下的高光谱影像分类问题；Zhu等采用局部连接和共享变换矩阵改进原始的一维和三维网络用于高光谱影像分类；Xue等提出采用生成对抗网络和胶囊网络相结合的方法解决训练样本不足的问题；Jiang等提出将胶囊网络与马尔科夫随机场相结合，解决高光谱影像空谱特征信息利用不足的问题。综合以上文献分析可知：基于胶囊网络的分类方法能够较好的适应高光谱影像，且分类精度优于卷积神经网络方法。但现有胶囊网络用于高光谱影像分类都没有直接利用三维空谱影像块进行空谱分类，不能充分提取深层次的地物空谱特征信息。同时，在分类结果图中还存在“类别噪声”现象。

发明内容

针对胶囊网络浅层结构和空谱特征信息利用不足的问题，本发明提出了一种结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法，与传统的卷积神经网络和胶囊网络高光谱影像分类方法相比，该方法不仅提高了影像的分类精度，而且还在一定程度上消除了类别噪声。

为了实现上述目的，本发明采用以下的技术方案：