[发明专利]基于空间信息增强和深度信念网络的高光谱图像分类方法

摘要

本发明公开了一种基于空间信息增强和深度信念网络的高光谱图像分类方法，主要解决现有技术对高光谱图像分类存在的精度提高不明显的问题，其技术方案为：1)对原始高光谱图像进行归一化和波段选择，得到反射率值在0到1之间的高光谱图像；2)通过波段分组和分组引导滤波对高光谱图像进行空间信息增强；3)针对空间信息增强后的高光谱图像特点构建深度信念网络模型；4)用空间信息增强后的高光谱图像进行模型的训练；用得到的模型对高光谱图像进行类别预测，得到分类结果。本发明在不损失原始光谱信息的情况下有效增强了高光谱图像空间信息，明显提高了分类精度，可用于环境、气候、农业以及矿物探测。

主权项

1.基于空间信息增强和深度信念网络的高光谱图像分类方法，包括：(1)预处理：将原始高光谱图像的反射率值归一化到0到1之间，得到归一化后的高光谱图像X_u，并对X_u进行波段选择，选择100个波段，并将这100个波段作为空间信息增强的保留代表波段，得到预处理之后的高光谱图像X_p；(2)对预处理后的高光谱图像X_p进行空间信息增强：2a)对预处理后的高光谱图像X_p计算波段图像的相关性系数R，根据相关性系数大小进行波段分组，即提取相关性系数R中数值大于等于0.95的连通域内元素的行标和列标；将所有行标和列标对应的波段图像分为一组；对矩阵R中所有这样的连通域进行同样的操作，得到多个分组，组内任意两个波段图像间的相关性系数大于等于0.95，每个组包含不同数量的波段；2b)在每个组内计算所有波段图像的图像信息熵H，选取图像信息熵最大的波段图像作为引导图像I；2c)在每个分组内使用引导图像I分别对组内其他波段图像进行导向滤波，得到空间信息增强的波段图像；2d)将空间信息增强的波段图像按照其分组前的波段序号合并，得到空间信息增强的高光谱图像X_s；(3)构建深度信念网络：设置深度信念网络由两层限制波尔兹曼机和一层分类器组成，其中第一层限制波尔兹曼机的隐含层神经元数目为50，无监督训练次数为100，学习率为0.15，激励函数为Sigmoid函数；第二层限制波尔兹曼机的隐含层神经元数目为50，无监督训练次数为100，学习率为0.2，激励函数为Sigmoid函数；最上层连接的分类器是Softmax分类器；(4)网络训练和测试：在空间信息增强后的高光谱图像X_s包含的多类地物中每类随机选择300个样本构成训练集，剩下的样本构成测试集；用训练集对构建的深度信念网络进行训练，得到深度信念网络模型M，用该模型M对测试集进行测试，得到分类结果。