[发明专利]基于条件随机场和深度特征学习的高光谱图像分类方法

权利要求书

1.一种基于条件随机场和深度特征学习的高光谱图像分类方法，其特征在于，包括如下步骤：

步骤1：输入待分类的高光谱原始数据集；

步骤2：对输入的高光谱数据集进行归一化处理，得到归一化处理后的高光谱数据集H为：

其中，s＝m×j为一个m行j列的高光谱影像的像素点个数，g表示高光谱影像的波段数，h_sg表示第g个波段的第s个像素点；

步骤3：输入归一化处理后的数据集H，在经过计算误差和训练更新后得到参数θ_λ，获取高光谱影像光谱-空间特征，具体过程如下：

步骤3.1：输入高光谱数据集H，T个目标标签{Y₁,Y₂,Y₃,...,Y_T},在3D-CNN神经网络中迭代R次；

步骤3.2：对于每个在波长λ的数据立方体进行卷积运算，计算误差并更新参数；

步骤3.3：输出训练后的CNN参数θ_λ；3D-CNN经过训练后学习到的θ_λ参数包含波长λ∈B的光谱通道的每个波段组的不同信息；

步骤4：应用3D-CNN生成特征图，过程如下：

步骤4.1：将原始的B波段图像划分为几幅由相邻的L波段组成的图像，其中LB；

步骤4.2：将三维卷积滤波器应用于步骤4.1划分后的L波段组图像进行滤波操作，便于检测图像特征；

步骤4.3：进行3D卷积运算：设(x,y)在空间维度上定义一个位置，z为光谱维度上的带指数，对每个像素标签的滤波器输出进行加权求和，3D-CNN模型如下，给出了第c个特征图上某个位置(x,y,z)的值：

其中，l表示当前层；m是在第(l-1)层即当前层的上一层的特征图的数量；j表示当前内核数量；i是当前与第l层的特征图相连的第(l-1)层的特征图；为前一层与第i个特征图相连的核的第(p,q,r)个值；P_l和Q_l分别是是核的高度和宽度，R_l表示核的大小和谱维数，b_lj为第l层第j个特征图的偏置；

将前一层的特征图与当前层的内核进行卷积，计算出特征图上某个位置空间坐标(x,y,z)的特征映射

步骤4.4：特征映射经过池化层和激活函数，由数据立方体组成的特征映射转化成一维特征向量，输入到一个全连接层，该层提取最终学习到的深度光谱空间特征；

步骤5：利用3D-CNN的输出特征在框架中引入基于3D-CNN的深度CRF，扩展基于3D-CNN的深层CRF架构来计算CRF的一元势函数和二元势函数，过程如下：

步骤5.1：定义CRF模型：

其中，由步骤3得到的网络参数θ_λ通过波长λ进行学习；(E(n,v_(d,λ)；θ_λ)是模拟输入的某个像素点v兼容程度的能量函数；v由波长为λ的空间坐标d＝{x,y}定义，并具有特定的预测类别标记n；是配分函数，为归一化因子；

步骤5.2：在CRF中建模像素之间的关系，构造能量函数：

其中，M为像素/节点的数量，N为CRF图中节点之间边的总数，φ是计算单个像素的一元势函数，ψ是基于相邻像素之间的兼容性确定的二元势函数；

步骤5.3：计算代表CRF中节点的每个像素的一元势函数φ：

φ(n_p,v_p；θ_λ)＝-logP(n_p|v_p；θ_λ)

其中，n_p为第p个像素点所属类，v_p为第p个像素点，网络参数θ_λ将在整个光谱通道的三维CNNs堆栈中进行调整；

步骤5.4：通过将两个相邻像素的特征向量连接起来的方法得到高光谱图像的边缘特征，得到二元势函数ψ：

其中，μ()通过取可能的像素对组合，编码像素对(v_p,v_q)被标记为(n_p,n_q)的可能性；应用于3D-CNN对节点的输出值，该节点由初始3D-CNN获得的对应特征向量f_p和f_q描述；θ_λ包含沿整个波长λ二元势函数的三维CNN参数；

步骤5.5：在计算CRF的一元势函数和二元势函数之后，定义CRF的分段目标函数为训练输入-输出对(v,n)，如下所示：

其中，▽(θ)为目标函数，φ(n_p,v_p；θ_λ)为一元势函数，ψ(n_p,n_q,v_p,v_q；θ_λ)为二元势函数，Z(v)为配分函数；

步骤5.6：根据定义的分段目标函数计算一元势函数的独立似然数P_φ(n_p|v；θ)和二元势函数上的独立似然数P_ψ(n_p,n_q|v；θ_λ)，并输出后验概率：

步骤6：根据后验概率对特征图进行粗分类，采用平均场近似算法来计算最大后验边界推理的CRF分布，过程如下：

步骤6.1：利用两个高斯核，作用于在坐标d＝{x,y}和波长为λ的像素v强度定义的特征空间，两个像素v_p和v_q则使用由特征向量f_p和f_q定义的双核势函数；

步骤6.2：在进行权重调整之后，3D-CNN-CRF生成了一个粗分类的分类图；

步骤7：对粗分类的分类图基于反卷积神经网络进行改进分类。