[发明专利]基于多层神经网络的超光谱图像分类方法

说明书

技术领域

本发明涉及机器学习、神经网络和遥感技术领域，更具体地说，涉及一种基于多层神经网络的超光谱分类。

背景技术

超光谱图像是指图像有数十数百个狭窄的光谱带组成，而每一个光谱带代表着一定范围的电磁波谱。人的眼睛只能接收可见光，而超光谱是把光谱范围扩展到可见光之外的范围。在图像上来说就是普通的彩色图像只有三个波段，即红、绿、蓝3个可见波段成像的叠加，可以表示为一个m*n*3的矩阵，m*n为图像的尺寸，而超光谱图像则是很多波段数据的集合，包括不可见的波段，可以表示为：m*n*L，L是波段数。超光谱图像同时收集了图像的数十数百个光谱波段，建立的精确的谱空间模型更有利于图像的分割和分类。

超光谱图像的分类可以用来确定其对应的材料的类别，比如对于生态，地质以及农业等方面的类别判断。一般的分类包括三个步骤：特征提取，特征降维以及最后的分类，其中最重要的环节就是特征的提取。现有的特征提取的方法比如DMPs算子，EMPs算子和MAPs等，这些方法都将光谱和空间信息进行了联合考虑。特征的学习一般有两种方式：人为学习和机器学习。由于分类的结果与特征的学习有着密切的关系，使用人为学习特征时，当遇到一个新的前面没有学习的特征时，处理学习特征的过程将会变得很难，因此使用机器自学习的方法来学习特征变得即为重要。目前超光谱分类应用中使用较多的仍是传统的分类方法但是随着计算机技术和遥感技术的不断发展，专家系统，神经网络，模糊技术和决策树等一些原来实现困难的新方法也在超谱图像处理中开始发挥作用。

发明内容

本发明的目的在于，针对上述特征学习技术中，采用人为的学习特征法具有学习效率低，适应性差等问题提出了一种基于多层神经网络的机器自学习特征的方法。

实现本发明目的的技术方案为：多层神经网络的结构如图2所示。它包含输入层，中间隐层以及输出层。各层之间是完全连接的而同层间是无连接的。该方法包括训练和测试两个过程。为了便于理解，将做如下的字符说明：

输入数据集X＝{(x_i，L_i)|x_i∈Rⁿ，L_i∈L,i＝1,…N},其中N是训练样本的数目，L＝{1,2,3…,k},k是标签类别的数目。对于超光谱图像中的每一个像素x_i∈Rⁿ(n为超光谱图像中一个像素所含有的光谱带数)。L_i是对应的x_i的类别标签。将每一层的输入记为x，每一层的输出记为y。

训练过程包括以下步骤：

1)非监督学习过程；

2)监督学习过程。

测试过程包括以下步骤：

3)将数据输入上述训练好的模型中,进行分类，得到分类结果。

上述方法中，所述步骤1)包括以下具体步骤：

11)自动编码器构造过程；

12)降噪自动编码器的构造过程，如图3；

13)多层降噪自动编码器构造过程；

上述方法中，所述步骤11)包括以下具体步骤：

111)对于输入数据x，根据式子(1)得到输出y,将这个过程称为编码过程。

y＝f_θ(x)＝s(Wx+b) (1)

其中

112)根据(1)式中的输出y,用式子(2)得到重构后的结果z,将这个过程称为解码(又名重构)过程。

z＝g_θ′(y′)＝s(W′x+b′) (2)

从输入到输出的权值记为θ＝(W，b),输出到输入的权值记为θ′＝(W′，b′)。

113)逐层进行参数θ和θ′的优化，其目标函数是式子(3)所示：

上面部分是参数的最优化式子，下面部分是损失函数。整个式子就是要使输入前的x和最后重构后的z两者间的误差最小。

114)优化过程：在迭代终止前，根据式子(4)进行计算：

其中，ΔW＝-(z-x)*s′(W′y+b′)*W′*s′(Wx+b)*x；

ΔW′＝-(z-x)*s′(W′y+b′)*y；

Δb＝-(z-x)*s′(W′y+b′)*W′*s′(Wx+b)；

Δh′＝-(z-x)*s′(W′y+h′)；

δ为学习效率，初始化定义其值，一般为一个较小的数。s′(x)表示函数s的导数,即s′(x)＝s(x)*(1-s(x))。

最后得到自动编码器优化后的参数θ和θ′。