[发明专利]基于3DCNN的高光谱图像空谱联合分类方法

摘要

本发明涉及一种基于3DCNN的高光谱图像空谱联合分类方法，针对高光谱图像数据为三维结构的特点，构建适用于高光谱图像的三维卷积网络完成高光谱图像空谱联合分类。首先，从原始高光谱图像中，提取以待分类像元为中心的一定邻域范围内数据块作为初始空谱特征，并结合待分类像元的标签训练构建好的3DCNN网络。然后，利用经过训练的3DCNN完成高光谱图像空谱联合分类。有益效果在于：1)解决了现有的分类技术中需要进行谱空间降维或者压缩的复杂处理的问题；2)构建出适用于三维结构的高光谱图像数据的3DCNN，充分利用了高光谱图像丰富的信息并省去了人为预先设定特征的麻烦；3)基于3DCNN的高光谱图像空谱联合分类方法。4)提高了高光谱图像分类精度。

主权项

1.一种基于3DCNN的高光谱图像空谱联合分类方法，其特征在于步骤如下：步骤1：对输入高光谱图像数据进行归一化处理；步骤2、取原始空谱特征：从高光谱图像中提取以待分类像元为中心的n×n×L邻域范围内的数据块Pn×n×L，将该数据块作为位于数据块中心位置的像元的原始空谱特征；L表示谱段总数，n表示邻域块的大小；步骤3：在步骤2中提取出来的含有标签的数据中，随机抽取一半或少于一半的数据作为训练3DCNN的数据；步骤4：构建3DCNN的网络，网络整体结构分为两部分，第一部分包含一层输入层，两层三维卷积层每层卷积层后连接激励操作层，激励操作层采用不饱和激励函数ReLU进行激励操作；第二部分包含一层全连接层，一层softmax分类层；网络整体结构包含七层，网络的整体运算包含前向运算，反向求导，卷积核更新三部分操作；步骤5、利用训练数据对3DCNN进行训练：在网络训练数据上采用随机梯度下降法训练网络参数，训练完成后该3DCNN能够自主提取高光谱图像的空谱特征并完成分类；步骤6：将待分类的数据输入训练好的3DCNN，完成高光谱图像空谱联合分类。