[发明专利]一种基于深度学习的高光谱图像分类方法

摘要

本发明公开了一种基于深度学习的高光谱图像分类方法，属于遥感图像处理技术领域，首先通过数据样本的获取、自编码网络的逐层训练及采用BP算法对预训练得到初始权值的进一步调整，实现对高光谱图像的降维处理。然后取高光谱图像中每一个像元邻域内的数据立方体作为卷积神经网络的输入，像元对应的地物种类作为卷积神经网络的期望输出，训练卷积神经网络，并将训练好的卷积神经网络作用于整幅高光谱图像，得到最后高精度分类结果。本发明克服了传统高光谱图像分类问题中降维过程中丢弃细节、分类时空间信息丢失、分类精度低的弊端，达到了较好的分类精度，适合于各种高光谱图像的分类。

主权项

一种基于深度学习的高光谱图像分类方法，其特征在于：包括以下步骤：步骤(1)输入高光谱遥感图像数据，每个像素即样本用光谱特征向量表示，样本的特征维数为d，将样本集合归一化到0～1之间，所有归一化的样本构成样本集，其中xi为第i个样本，N为样本总个数；步骤(2)对自编码网络的基本组成单位——自动编码机进行自下而上的逐层训练；步骤2a)首先初始化自动编码的的网络参数θ＝{W1,W2,b1,b2}，W1和b1是输入层到隐层的权重和偏置，W2和b2是隐层到重构层的权重和偏置，初始化b1和b2分别为全零的m维和n维的向量，W1＝rand(m,n)×2e‑e，W2＝rand(n,m)×2e‑e，其中，rand(m,n)和rand(n,m)分别是从0到1间随机取值的m×n和n×m矩阵；步骤2b)调整自动编码机的网络参数θ，使得输入层和重构层的差距达到最小；步骤2c)最底层的自动编码机训练完毕后，将下一层自动编码机的隐藏层输出作为上一层的输入层的输入，逐层训练自动编码机，最终得到整个自编码网络的初始化参数；步骤(3)展开的自编码深度网络采用BP算法对预训练得到的初始权值进一步调整，进一步减少误差，BP算法的目标函数采用交叉熵函数：Hm=-Σi=1m[xilnyi+(1-xi)ln(1-yi)]]]>其中，xi是自编码网络输入向量的第i个分量，yi代表经过自编码网络重构后的数据的第i个分量，m代表自编码网络输入数据的维度及重构后数据的维度，二者维度相等；步骤(4)使用训练完毕的自编码网络对高光谱数据进行降维处理，获得降维后的图像；步骤(5)输入降维后的高光谱图像以及对应的分类参考图，取待分类像元邻域内的数据立方体为卷积神经网络的输入，分类参考图中像元对应的地物种类为卷积神经网络的期望输出，使用随机梯度下降算法训练卷积神经网络，训练完毕后将卷积神经网络作用与整幅图像，获得最终的分类结果。