[发明专利]基于自动确定卷积核大小卷积神经网络的高光谱图像分类

摘要

本发明提供了一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法。首先，用K‑means算法对多组不同大小的图像块样本进行聚类处理；然后，设计一种新的针对不同尺寸且各类别数量呈非均匀分布样本聚类结果的评价指标，对不同尺寸样本聚类结果进行评价，根据评价结果确定自适应卷积核；最后，对自适应卷积核的卷积神经网络进行训练，并利用训练好的网络对高光谱图像进行分类。由于利用聚类处理和指标评价得到的自适应卷积核可以更加有效的表征数据信息，利用本发明方法可以得到更好的高光谱图像分类结果。

主权项

1.一种基于自动确定卷积核大小卷积神经网络的高光谱图像分类方法，其特征在于包括以下步骤：步骤一：从高光谱图像中随机提取带有维度信息且大小相同的图像块作为卷积神经网络的样本，其中，一半作为训练样本，另一半作为测试样本；再从训练样本中，选取不同尺寸大小的G组图像块作为聚类样本数据，其中，每组所包含的图像块数量相同，且聚类样本图像块的尺寸小于训练样本图像块的尺寸，G的取值范围为[1,13]；步骤二：利用K‑means聚类方法分别对不同尺寸的G组图像块样本数据进行聚类处理，得到不同尺寸图像块样本的聚类结果；步骤三：利用对不同尺寸图像块样本的聚类结果进行评估，使得EI值最大的图像块样本大小即被确定为自适应卷积核大小，此尺寸图像块的聚类中心即被确定为卷积核；其中，D_inner为按照计算得到的类内距离，D_inter为按照计算得到的类间距离，f表示第f个聚类类别，f＝1,…,F，F为类别总数，F的取值为50，D_inner(f)为按照计算得到的类别f的类内距离，N_f为类别f所包含数据点的数量，表示类f中的第K_f个数据点与类中心点之间的距离，w^f＝N_f/N为类f的权重，N为所有类所包含数据点的总数，e^f为与类别f数据点数量相关的权重系数，即按数据点数量从小到大依次排列各类别，数据点数量最少的类对应的e^f值为1/F，数据点数量最多的类对应的e^f值为1，中间类别的e^f值依次2/F、3/F、…、(F‑1)/F；D_M(r,t)为标准化后的类r和类t的聚类中心点之间的距离，即先按照计算得到的类r和类t的聚类中心点之间的距离，为类r的中心点，为类t的中心点，r＝1,…,F，t＝1,…,F，然后按照进行标准化处理，其中，表示取D′_M(r,t)的最大值；步骤四：将图像块训练样本输入基于步骤三得到的自适应卷积核的CNN网络进行训练，得到训练好的网络；所述的CNN网络结构包括输入层、卷积层、池化层、全连接层和一个Softmax分类器，按照梯度下降法对最后的全连接层和Softmax分类器进行训练；步骤五：利用训练好的网络对图像块测试样本进行分类，得到分类结果。