[发明专利]基于熵率超像素分割的自编码器的高光谱图像分类方法

摘要

本发明提出了一种基于熵率超像素分割的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。实现步骤为：获取高光谱数据训练样本集和测试样本集；构建n层自编码器网络；输入训练样本集，利用损失函数对基于熵率超像素分割的自编码器网络进行训练；输入测试数据集，利用训练后的基于熵率超像素分割的自编码器网络对高光谱图像进行分类。本发明采用的基于熵率超像素分割的自编码器的高光谱图像分类方法，考虑了空间上下文邻域信息，挖掘了数据样本的分布特性，有效地提高了高光谱图像的分类精度，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

一种基于熵率超像素分割的自编码器的高光谱图像分类方法，其特征在于，包括如下步骤：(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，其中，b表示Xa的波段个数，m表示Xa的样本个数；(1b)随机选取Xa的10％样本组成训练样本集Xpp，Xpp∈Rb×pp，其余的90％样本组成测试样本集Xqq，Xqq∈Rb×qq，其中，pp表示初始训练样本集Xpp的数量，qq代表初始测试样本的数量，且满足pp+qq＝m；(1c)按照光谱波段对初始训练样本集Xpp和初始测试样本集Xqq分别进行归一化操作，得到归一化后的训练样本集Xp和测试样本集Xq；(2)构建n层自编码器网络：(2a)构建每一层由输入层、隐藏层和重构层组成的自编码器网络，其中，自编码器网络的第l+1层的输入层等于第l层的隐藏层，l＝1,…,n；(2b)确定自编码器网络各层的节点数、学习速率α和激活函数f(Z)，并对自编码器网络第l层的输入层和隐藏层的连接权值w(l)和偏差b(l)以及第l层自编码器网络的隐藏层和重构层的连接权值和偏差进行初始化，n层自编码器网络构建完成；(3)对基于熵率超像素分割的自编码器网络进行训练，得到训练后的基于熵率超像素分割的自编码器网络：(3a)计算自编码器网络第l层的重构层激活值(3a1)将训练样本集Xp作为第l层自编码器网络的输入层激活值a(l)，并利用该输入层激活值a(l)计算隐藏层激活值a(l+1)；(3a2)利用自编码器网络第l层的隐藏层激活值a(l+1)计算重构层激活值(3b)定义自编码器网络第l层熵率超像素分割约束的计算公式，并将自编码器网络第l层的重构层激活值作为该计算公式的输入，计算自编码器网络第l层熵率超像素分割约束J2(w(l),b(l))，l＝1；(3c)利用自编码器网络第l层熵率超像素分割约束J2(w(l),b(l))，计算第l层自编码器网络的连接权值w(l)和偏差b(l)，l＝1；(3d)获取第l层自编码器网络的连接权值w(l)和偏差b(l)，l＝2,3，…n：将第l层自编码器网络的隐藏层激活值a(l+1)作为第l+1层自编码器网络的输入层激活值a(l)，令l＝l+1，重复步骤(3a)‑(3c)，直到l＝n，得到第l层自编码器网络的连接权值w(l)和偏差b(l)；(4)利用训练后的基于熵率超像素分割的自编码器网络对高光谱图像进行分类：(4a)将测试样本集Xq输入到训练后的基于熵率超像素分割的自编码器网络中；(4b)训练后的基于熵率超像素分割的自编码器网络对测试样本集Xq进行逐层学习，得到自编码器网络的最后一层的隐藏层激活值a(n+1)；(4c)采用softmax逻辑回归分类器，对自编码器网络的最后一层的隐藏层激活值a(n+1)进行分类，得到测试样本集Xq的类别标签Yq，即为高光谱图像的分类结果。