[发明专利]基于三维稠密连接卷积神经网络的高光谱图像分类方法

摘要

本发明提供了一种基于三维稠密连接卷积神经网络的高光谱图像分类方法，具有这样的特征，包括以下步骤：步骤一，输入高光谱图像的三维立方数据块；步骤二，用三维稠密光谱块处理三维立方数据块得到谱间特征图；步骤三，用三维过渡层处理谱间特征图得到压缩特征图；步骤四，用三维稠密空间谱块处理压缩特征图得到空间特征图；步骤五，空间特征图经过池化层、压缩层、dropout层、全连接层得到预测标签向量；步骤六，确定目标函数；步骤七，将预测标签向量代入目标函数得到迭代训练的损失；步骤八，根据损失，优化待优化参数；步骤九，多次重复步骤一至五、七、八，多次优化待优化参数得到损失最小时的预测标签向量，即高光谱图像的分类结果。

主权项

1.一种基于三维稠密连接卷积神经网络的高光谱图像分类方法，采用三维的稠密连接的卷积神经网络模型对高光谱图像进行分类，其特征在于，包括以下步骤：步骤一，输入高光谱图像的多通道的三维立方数据块；步骤二，通过三维稠密光谱块对所述三维立方数据块进行处理，学习提取所述高光谱图像的多通道之间的谱间特征得到谱间特征图；步骤三，通过三维过渡层对所述谱间特征图进行处理得到压缩特征图；步骤四，通过三维稠密空间谱块对所述压缩特征图进行处理，学习提取所述高光谱图像的空间特征得到空间特征图；步骤五，将所述空间特征图依次经过池化层、压缩层、dropout层以及全连接层得到一个预测标签向量；步骤六，确定待优化的目标函数；步骤七，将所述预测标签向量代入所述目标函数中，得到迭代训练的损失；步骤八，根据所述迭代训练的损失，对三维稠密连接卷积神经网络模型的待优化参数进行优化；步骤九，多次重复步骤一至五以及步骤七、八，对所述待优化参数进行多次优化得到所述迭代训练的损失最小时的预测标签向量，即为所述高光谱图像的分类结果。