[发明专利]基于压缩-激发的聚合残差网络高光谱图像分类方法

摘要

本发明公开了一种基于压缩‑激发的聚合残差网络高光谱图像分类方法，主要解决现有方法不能充分利用特征通道的相关性的问题。其方案为：1)对高光谱图像进行归一化和降维的预处理；2)对预处理后的前m个主成分中每个非背景像元选取固定大小的正方形邻域图像块，并将其构建为训练集和测试集；3)构建压缩‑激发的聚合残差网络，并利用训练集进行训练得到训练好的压缩‑激发的聚合残差网络；4)将测试集输入到训练好的压缩‑激发的聚合残差网络获得测试结果。本发明充分利用特征通道的相关性，能提取鲁棒性更强的空谱特征，提高了分类的准确率，可用于农业和环境监视。

主权项

1.一种基于压缩‑激发的聚合残差网络高光谱图像分类方法，包括：(1)输入一幅包含d个波段数的待分类高光谱图像P及该图像P的类别标签；(2)对输入的高光谱图像P的像素值进行预处理，得到预处理后高光谱图像的前m个主成分PC；(3)对预处理后的m个主成分PC中每个非背景像元取大小为27×27的正方形邻域图像块，得到取块后的每个邻域块大小为27×27×m的立方体；(4)从所有邻域块中随机选择10％以及对应的类别标签作为训练样本集，并将剩余的邻域块和对应的类别标签作为测试样本集；(5)构建压缩‑激发的聚合残差网络:(5a)设第一层为卷积核大小为3×3的预卷积层；(5b)构建8条路径，每条路径中设有第二卷积层和第三卷积层，将8个路径的输出级联在一起得到路径汇总特征矩阵M，设第四卷积层为卷积核大小为1×1的卷积层，将路径汇总特征矩阵M输入到第四卷积层得到更深层的特征矩阵S，形成聚合残差网络模块；(5c)设第一全连接层为激活函数是ReLu的全连接层，设第二全连接层为激活函数是sigmoid的全连接层，将第四卷积层得到更深层的特征矩阵S进行全局平均池化处理后，再经过第一全连接层和第二全连接层输出权值矩阵T，形成压缩‑激发的网络模块；(5d)将第四卷积层输出S乘以权值矩阵T，得到经过重标定的特征集U，形成压缩‑激发的聚合残差网络模块；(5e)将3个具有相同结构和参数的压缩‑激发的聚合残差网络模块堆叠在一起，再对其进行全局平均池化后构建多项式逻辑回归分类器，形成压缩‑激发的聚合残差网络；(6)将训练样本集作为压缩‑激发的聚合残差网络的输入，进行200次迭代的有监督训练，得到训练好的压缩‑激发的聚合残差网络；(7)将测试样本集输入到训练好的压缩‑激发的聚合残差网络中，得到测试数据集中每个像素的分类结果。