[发明专利]基于双通道卷积神经网络的空谱联合的高光谱图像分类方法

权利要求书

1.一种基于双通道卷积神经网络的空谱联合的高光谱图像分类方法，其特征在于步骤如下：

步骤1：对输入的高光谱图像数据，依照公式对x_ijs进行归一化操作；其中x_ijs表示高光谱图像中的一个像元，i、j分别表示该像元位于高光谱图像中的坐标位置，s表示高光谱图像的谱段，x_..smax、x_..smin分别表示三维高光谱图像在s波段的最大值和最小值；

步骤2：对每个待分类的像元，提取八邻域范围内的所有信息作为该像元的谱数据样本L表示谱段总数；通过PCA降维将图像压缩，以该像元为中心提取邻域范围41×41内的信息作为该像元的空间数据样本

步骤3：从步骤2中提取出来的数据中随机抽取含有标签的数据样本作为DC-CNN的训练数据样本，随机抽取的数量为有标签数据总量的百分之五到百分之十；

步骤4构建DC-CNN：

网络整体结构为两部分，第一部分包含1D-CNN和2D-CNN，其中1D-CNN包含三层一维卷积层，卷积方向沿着谱方向进行；每层卷积层后连接一一维池化层，第三层池化层后依次连接一层全连接层和一层分类层，一共八层网络；2D-CNN包含三层二维卷积层，卷积在空间上进行；每层卷积层后连接一二维池化层，第三层池化层后依次连接一层全连接层和一层分类层，一共八层网络；第二部分包含两层全连接网络，第一层为输入层，第二层是分类层，分类层采用softmax计算损失；

步骤5、网络预训练：采用随机梯度下降算法对1D-CNN和2D-CNN进行训练，训练完成之后1D-CNN和2D-CNN分别具备提取深度谱特征和深度空间特征的能力；

步骤6、网络调优：通过步骤5中训练好的1D-CNN和2D-CNN，提取训练数据的谱特征和空间特征，结合提取出的谱特征和空间特征构成训练数据的空谱特征，以训练数据的空谱特征为输入，训练网络的全连接层；

步骤7：将待分类的数据依次通过训练好的1D-CNN和2D-CNN，特征融合，训练好的全连接层，最终根据全连接层的输出确定待分类数据的类别，完成高光谱图像空谱联合分类；

所述步骤5网络预训练为：

步骤5a)前向运算为卷积层前向运算，激励函数前向运算，分类器前向运算三部分，其中一维卷积层前向运算的公式为：

表示卷积运算之后，网络第l层，第j个特征向量上x位置上的值；b_l,j是第l层，第j个特征向量的偏置；f(·)表示激励函数，m是第(l-1)层特征向量的索引；表示连接到第(l-1)层第m个特征向量的位于卷积核位置h的值；H′_l表示核的长度；

二维卷积层前向运算的公式为：

表示第(l-1)层第m个特征向量的位于卷积核位置(h,w)的值；H_l和W_l分别表示卷积核的高和宽；激励函数采用ReLU，分类器采用softmax；

步骤5b)反向求导对应于前向运算：对卷积层的求导，对激励函数的求导，对分类器的求导；

步骤5c)卷积核更新：计算出卷积核的偏导之后对卷积核进行更新的一步操作，更新公式如下：

k_l+1＝k_l+v_l+1

l表示迭代次数，ε表示学习率，学习率选取0.01。