[发明专利]基于卷积神经网络的高光谱图像解混方法

权利要求书

1.一种基于卷积神经网络的高光谱图像解混方法，其特征在于，包括如下步骤：

(1)获取数据矩阵：

利用成像光谱仪对目标区域成像，获得包含高光谱图像像素的全部波段以及像素对应的真实地物丰度值高光谱图像，将图像存储为数据矩阵；

(2)对数据矩阵进行预处理：

(2a)用ENVI软件对数据矩阵进行大气校正，去除数据矩阵中受大气以及水蒸气影响的损坏波段数据，得到校正后的数据矩阵；

(2b)将校正后的数据矩阵按照1:3的比例划分为训练集和测试集；

(3)构建含有基于像素模糊分类的10层结构的卷积神经网络：

卷积神经网络的结构从左到右依次为：卷积层C1、降采样层S2、卷积层C3、降采样层S4、卷积层C5、降采样层S6、卷积层C7、降采样层S8、全连接层F9、全连接层F10；

构建卷积神经网络的具体步骤如下：

第1步，将训练集输入到卷积神经网络的卷积层C1中，用3个卷积核，分别对训练集进行块大小为1×5像素和步长为1像素的卷积操作，得到含有3张特征图的卷积神经网络的第1层；

第2步，将卷积层C1输出的3张特征图输入到降采样层S2中，对每个特征图进行最大降采样操作，池化块大小为2×2像素，步长为1像素，得到含有3张分辨率降低一半的特征图的卷积神经网络的第2层；

第3步，将降采样层输出的3张特征图输入到卷积层C3中，用6个卷积核，分别对特征图进行块大小为1×4像素和步长为1像素的卷积操作，得到含有6张特征图的卷积神经网络的第3层；

第4步，将卷积层C3输出的6张特征图输入到降采样层S4中，对每个特征图进行最大降采样操作，池化块大小为2×2像素，步长为1像素，得到含有6张分辨率降低一半的特征图的卷积神经网络的第4层；

第5步，将降采样层输出的6张特征图输入到卷积层C5中，用12个卷积核，分别对特征图进行块大小为1×5像素和步长为1像素的卷积操作，得到含有12张特征图的卷积神经网络的第5层；

第6步，将卷积层C5输出的12张特征图输入到降采样层S6中，对每个特征图进行最大降采样操作，池化块大小为2×2像素，步长为1像素，得到含有12张分辨率降低一半的特征图的卷积神经网络的第6层；

第7步，将降采样层输出的12张特征图输入到卷积层C7中，用24个卷积核，分别对特征图进行块大小为1×4像素和步长为1像素的卷积操作，得到含有24张特征图的卷积神经网络的第7层；

第8步，将卷积层C7输出的24张特征图输入到降采样层S8中，对每个特征图进行最大降采样操作，池化块大小为2×2像素，步长为1像素，得到24张分辨率降低一半的特征图的卷积神经网络的第8层；

第9步，将降采样层S8输出的24张特征图输入到全连接层F9中，利用下式的激活函数，对每个特征图中每一个像素点进行激活：

f(x'_ij)＝max(0,x_ij)

其中，f(·)表示激活函数，x′_ij表示激活后第i个特征图的第j个像素点值，max表示取最大值操作，x_ij表示激活前第i个特征图第j个像素点的值；

第10步，将卷积神经网络全连接层F9激活后的特征图以列的顺序排列成一维向量，得到输出为一维向量的卷积神经网络的第9层；

第11步，将卷积神经网络全连接层F9输出的特征向量输入全连接层F10，输出一维特征向量；

第12步，将卷积神经网络全连接层F10输出的一维特征向量，按照下式的激活函数，对特征向量的每一个元素进行激活：

其中，S(·)表示激活函数，z_n表示特征向量激活后的第n个元素，g_n表示特征向量激活前的第n个元素，e表示一个无限不循环的自然常数，取值为2.7182，得到输出为激活后一维向量的卷积神经网络的第10层；

第13步，将上述10层网络依次从左到右连接，得到含有基于像素的模糊分类结构的10层结构的卷积神经网络；

(4)训练卷积神经网络：

将训练集输入到卷积神经网络中进行训练，得到训练好的卷积神经网络；

(5)模糊分类：

将测试集输入到训练好的卷积神经网络中，得到卷积神经网络输出的模糊分类结果；

(6)将卷积神经网络输出结果进行归一化处理，得到输入样本对应于每类地物的解混结果的丰度值。