[发明专利]一种基于重叠池化的高光谱遥感影像分类方法

说明书

本发明公开了一种基于重叠池化的高光谱遥感影像分类方法，包括以下步骤：S1：选取高光谱遥感图像数据集；S2：对步骤S1得到的高光谱遥感图像数据集进行预处理；S3：确定感兴趣的地物类别数，构建训练样本集和测试集；S4：构建基于重叠池化的卷积神经网络模型；S5：用步骤S4所构建的模型完成高光谱数据分类，并对分类结果进行分析评价。本发明提高了采样的准确性和网络分类精度，并在一定程度上减少了过拟合问题。

技术领域

本发明涉及高光谱影像分类技术，特别是涉及一种基于重叠池化的高光谱遥感影像分类方法。

背景技术

高光谱影像(HSI)数据是同时包括空间和数百个光谱带信息在内的持续数据。利用丰富的光谱信息，高光谱数据分类已经应用在诸如土地利用，矿物勘探，水污染检测等诸多方面。其在相同的空间区域内包含数百个光谱带的特点，可以获得连续的光谱值并分辨许多不同的地物，为识别各种材料提供了有价值的信息。然而，由于在某些波段频谱范围内不同地物之间光谱值差别很小，并且传统方式往往省略了空间特征，这就增加高光谱分类难度。

近来，由于深度学习模型可以学习越来越复杂的深层次特征结构，基于深度学习的遥感影像分析方法越来越受到重视，并被广泛应用于HSI应用领域。卷积神经网络(CNN)由交替堆叠的卷积层和池化层组成。卷积层是通过线性卷积滤波器提取特征图。池化层是将相邻像素的空间特征组合在一起，用于实现图像变换的不变性，提高物体轻微变形的鲁棒性。CNN具有本地连接和共享权重的优点，使其有更少的链接、参数，且更容易训练。另外，其学习能力可以通过控制网络的深度和宽度来调整。因此，CNN凭借其对HSI的光谱及空间特征的强大提取能力，在高光谱影像上的分类应用越来越多，且取得不错的成绩。然而，CNN模型的池化方式多采用非重叠池化，忽略HSI中邻近像素对特征提取的影响，造成模型分类精度受到限制。

发明内容

发明目的：本发明的目的是针对现有基于非重叠池化的CNN模型在HIS分类应用上的不足，提出一种基于重叠池化的高光谱遥感影像分类方法。

技术方案：本发明所述的基于重叠池化的高光谱遥感影像分类方法，包括以下步骤：

S1：选取高光谱遥感图像数据集；

S2：对步骤S1得到的高光谱遥感图像数据集进行预处理；

S3：确定感兴趣的地物类别数，构建训练样本集和测试集；

S4：构建基于重叠池化的卷积神经网络模型；

S5：用步骤S4所构建的模型对步骤S2预处理得到的数据集进行分类，并对分类结果进行分析评价。

进一步，所述步骤S2中，预处理为：将高光谱遥感图像数据集中每一个一维形式的像素点光谱矢量转化为二维矩阵的形式。使得步骤S4中的卷积网络不仅可以学习到数据集的光谱特征，还能学习到其空间特征，从而提高网络整体性能，有利于分类精度的提高。

进一步，所述步骤S4中，卷积神经网络模型包括Block1、Block2、Block3和Block4这4个块，以及1个全连接层。

进一步，其中，Block1包括卷积层、最大池化层和修正线性激活层，Block2包括卷积层、ReLU层和平均池化层，Block3包括卷积层、ReLU层和平均池化层，Block4包括卷积层和ReLU层。据相关理论，特征提取的误差主要来自两个方面：邻域大小受限造成的估计值方差增大；卷积层参数误差造成估计均值的偏移。而最大池化可以减小第二种误差，平均池化能减小第一种误差，将两种池化方式组合即重叠池化，能够提高分类精度和加速特征的学习，并在一定程度上减轻过拟合问题。

进一步，所述步骤S5中，采用Softmax-Loss分类模型完成数据集的分类，采用总体分类精度和卡帕系数来评估模型的分类性能。该模型具有计算步骤少、计算量小的特点，使得输出数值更为稳定，有利于分类精度的提高。