[发明专利]基于多尺度PCA-3D-CNN空谱联合的高光谱遥感影像分类方法

摘要

本发明公开了一种基于多尺度PCA‑3D‑CNN空谱联合的高光谱遥感影像分类方法，本发明有效缩短了模型的训练时间，高效提取高光谱影像的特征，显著提高地物分类的精度，且分类性能较传统的2D‑CNN模型相比，在遥感影像分类上有明显的优势。传统的2D‑CNN模型忽略了每个波段上的像元邻域信息，舍弃了目标地物的空间信息，而空谱联合的多尺度PCA‑3D‑CNN模型，利用PCA算法降低数据的特征维度和各波段间的相关性，有效缩短模型的训练时间，同时对高光谱影像中的数据进行三维卷积，充分利用高光谱影像空谱联合信息的优势，并设置不同尺寸的卷积核并对输入图像进行多尺度卷积，取得多尺度的特征信息，极大提高了模型的分类精度。

主权项

1.基于多尺度PCA‑3D‑CNN空谱联合的高光谱遥感影像分类方法，其特征在于：包括以下步骤：S1:采用PCA技术对高光谱影像的光谱维进行降维处理，将实验中的原始数据集的光谱维使用PCA方法压缩至16维，之后将已降维数据进行标准差归一化处理；S2:将上述标准差归一化后的数据输入到多尺度PCA‑3D‑CNN神经网络模型中，取得多尺度的特征信息；S3：进行模型的训练，将训练样本输入到上述模型中；本方法训练过程中使用dropout方法随机隐藏全连接层中的部分神经元(隐藏概率为0.5)；S4：待多尺度PCA‑3D‑CNN神经网络经过样本训练之后，将测试样本输入到网络中进行测试样本的分类；其中本方法将传统CNN模型中倒数第二层激活函数设置为Sigmoid函数，并通过Softmax分类器产生最终标签，模型选用交叉熵作为损失函数，使用Adam梯度下降优化算法，确保损失迅速收敛至全局最小。