[发明专利]基于栈式边界辨别自编码器的高光谱图像分类方法

摘要

本发明公开了一种基于栈式边界辨别自编码器的高光谱图像分类方法，主要解决高光谱图像分类性能不佳的问题。其实现方案是：将多个自编码器网络堆叠形成栈式自编码器网络，利用栈式自编码器网络逐层学习特征，引入了边界辨别约束，通过约束样本类内对比度和类间分离度，充分考虑样本的分布特性，增强自编码器学习特征的能力，采用最小化误差函数学习出权值和偏差；用学到的栈式自编码器网络对未知高光谱图像分类。本发明采用的栈式自编码器网络分类方法，提高了特征学习能力，改善了分类性能，图像分类精度高，适用不同类型的复杂数据图像的处理，可用于农业监测、地质勘探、灾害环境评估等领域地物的区分和辨别。

主权项

一种基于栈式边界辨别自编码器的高光谱图像分类方法，其特征在于，包括有如下步骤：(1)获取高光谱图像的训练样本集Xp和测试样本集Xq：(1a)将三维的高光谱图像X转换为二维高光谱图像Xa，Xa∈Rb×m，该图像Xa包含b个光谱波段，m个样本；(1b)随机取Xa的10％样本组成初始训练样本集：Xpp，Xpp∈Rb×pp，其余的90％样本组成初始测试样本集Xqq，Xqq∈Rb×qq，其中，pp，qq分别代表初始训练样本和初始测试样本的数量，满足pp+qq＝m；(1c)对初始训练样本集Xpp和初始测试样本集Xqq分别按照光谱波段进行归一化操作，得到归一化后的训练样本集Xp和测试样本集Xq；(2)获取高光谱图像的第l+1层隐藏层特征集a(l+1)：(2a)抽取训练样本集Xp，设训练样本集Xp位于自编码器网络的第一层，即第l层，1≤l，即自编码器网络的第一层输入样本可以用a(l)表示；(2b)利用自编码器网络计算第l+1层隐藏层特征：a(l+1)＝f(Z(l+1))＝f(w(l)a(l)+b(l))，w(l)是第l层输入层和第l+1层隐藏层之间的权值，b(l)是它对应的偏差，Z(l+1)是第l层输入和l+1层隐藏层的权值和，a是隐藏层Z通过激活函数f的映射值；(2c)利用自编码器网络计算第l+2层重构层特征：是第l+1层隐藏层和相应的解码层的连接权值，是第l+1层相应的偏差；(3)计算高光谱图像训练样本的类内对比度SS和类间分离度SD：通过计算训练样本的类内对比度SS和类间分离度SD，引入边界辨别约束：最小化类内相似度，最大化类间边界样本的相似度；(4)获取第一层自编码器网络的权值w(l)和偏差b(l)：通过最小化均方误差函数J(w,b)，获取第一层自编码器网络的权值w(l)和偏差b(l)；(5)获取第二层自编码器网络的权值w(l+1)和偏差b(l+1)：第一层自编码器网络的输出特征a(l+1)作为第二层自编码器网络的输入特征，计算第二层自编码器网络的输出特征，即第l+1层，重复步骤(2)‑(4)，获取第二层自编码器网络的权值w(l+1)和偏差b(l+1)，直至获取整个栈式自编码器网络所有层的权值和偏差；(6)获得高光谱图像分类结果：将测试样本集Xq输入训练完成的栈式自编码器网络，通过栈式自编码器网络逐层学习得到栈式自编码器网络的最后一层的输出特征，将输出特征通过softmax逻辑回归分类器进行分类，得到测试样本的类别标签Yq，即为高光谱图像的分类结果。