[发明专利]结合深度学习和邻域集成的高光谱图像分类方法

摘要

本发明提出了一种结合深度学习和邻域集成的高光谱图像分类方法，主要解决现有技术使用训练样本多且分类效果差的问题，其技术方案：在高光谱数据中通过选取不同的邻域尺度，获得结合不同的空间信息的数据集；将不同空间信息的数据集分别输入到不同的自编码网络中，获得不同空间信息下的分类结果；将上述的分类结果进行连接，并作为训练数据训练一个新的自动编码器网络，作为最终的集成网络；将不同空间信息下的自编码器的对测试样本的分类结果进行连接构成集成网络的测试样本；将新的测试样本输入到集成网络，获得高光谱图像的最终分类结果。本发明使用训练样本少，分类精度高，可用于环境监测，土地利用和目标识别等。

主权项

1.一种结合深度学习和邻域集成的高光谱图像分类方法，包括：(1)输入一幅包含C个类别的高光谱图像：X＝{x1，x2，……，xi，……，xN}，并从每类高光谱像元中随机选取10％的样本作为训练样本集S，剩余的样本作为测试样本集T，其中，xi表示高光谱图像中第i个样本，它是一个B0维的光谱向量，i＝1，2，…，N，N表示该高光谱图像的样本个数，C≥2，B0是高光谱图像的波段数目，其在不同的高光谱成像仪获得的图像的像元的光谱维数是不同的；(2)将训练样本集S输入已连接softmax分类器的自动编码器网络进行网络训练，得到训练好的分类网络；(3)将训练样本集S和测试样本集T输入到训练好的网络中，分别得到训练样本集和测试样本集的概率分类结果和其中N₁为训练样本的个数，N₂为测试样本的个数，C是样本类别数；(4)对高光谱图像X利用主成分分析法进行降维处理，得到降维后的高光谱图像：X'＝{x1',x'2,……,xi',……,x'N}，其中xi'表示降维后高光谱图像的第i个样本，且维数由B0降为B；(5)在降维后的高光谱图像X'上，以每个样本xi'为中心选取一个空间大小为3×3的窗口，获得对应的加入邻域信息的新训练样本集S'和新测试样本集T'；(6)将新训练样本集S'输入到已连接softmax分类器的自动编码器网络进行网络训练，得到新的训练好网络；(7)将新训练样本集S'和新测试样本集T'输入到新的训练好网络中，分别得到新训练样本集S'的概率分类结果和新测试样本集T'的概率分类结果其中N₁为训练样本的个数，N₂为测试样本的个数，C是样本类别数；(8)重复(5)～(7)，分别获得选择窗口大小为5×5，7×7，9×9，11×11，13×13，15×15时得到的训练样本集的概率分类结果和测试样本集的概率分类结果其中N₁为训练样本的个数，N₂为测试样本的个数，C是样本类别数；(9)将级联成一个总训练样本的概率分类结果并将P_S作为一个新自动编码器网络的训练样本集对网络进行训练，得到训练好的集成网络；(10)将级联成一个总测试样本的概率分类结果并将P_T作为测试样本集输入到训练好的集成网络中，得到最终的分类结果。