[发明专利]双分支深层结构下的高光谱图像分类方法及装置

权利要求书

1.一种双分支深层结构下的高光谱图像分类装置，其特征在于，装置包含依次连接的预处理模块、双分支深层结构模块、融合模块、分类评估模块，其中，

所述预处理模块用于将光谱成像仪收集到高光谱影像进行校正、去噪、归一化处理。同时根据双分支深层结构模块对输入数据的要求对图像进行处理；

所述双分支深层结构模块用于提取预处理模块输出图像的光谱特征和空间特征；

所述融合模块用于融合光谱特征和空间特征；

所述分类评估模块用于对融合后的特征进行分类，同时计算分类性能指标。

2.根据权利要求1所述的双分支深层结构下的高光谱图像分类装置，其特征在于，所述预处理模块还执行如下步骤：

(1)选取实验平台(i5内核、2.70-GHz处理器)，配置实验环境(Theano、Keras)。

(2)对成像光谱仪采集的高光谱遥感影像进行校正、去噪、标注、归一化。

(3)为双分支深层结构准备数据(光谱特征提取分支的输入为像元，空间特征提取分支的输入是包含邻域信息的图像块)。从高光谱影像中随机选取一定比例的像元组成光谱分支的训练集，剩余样本构成光谱分支的测试集。设定图像块的邻域宽度，以训练集和测试集中的每个像元为中心剪切出相应的邻域图像块，从而获取空间分支的训练集和测试集。

3.根据权利要求1所述的双分支深层结构下的高光谱图像分类装置，其特征在于，所述双分支深层结构模块还执行如下步骤：

(1)设置双分支深层结构的网络的参数，包括堆栈式降噪自编码器的层数以及每层包含隐层神经元的个数，卷积神经网络的卷积层和池化层的层数，卷积层中滤波器的大小和个数，随机地初始化网络参数。

(2)构建基于堆栈式降噪自编码器的光谱特征提取分支。堆栈式降噪自编码器是通过将多个降噪自编码器层叠起来构成的，即将前一层降噪自编码器的隐层表示作为下一层降噪自编码器的输入，随后利用Pretraining优化初始参数，进而获取每层的最优参数。

(3)构建基于卷积神经网络的空间特征提取分支。假定表示以像元x为中心的图像块，且第i层滤波器的个数为ni。图像块S经过第i层卷积层后得到ni个特征图，表示为：

Fi(S)＝max(0，Wi*Fi-1(S)+Bi) (1)

其中“*”为卷积运算符，Wi和Bi分别表示第i层卷积层的滤波器和偏差。随后特征图Fi(S)输入全连接层后得到：

Fi+1(S)＝s(Wi+1Fi(S)+Bi+1) (2)

其中Wi+1和Bi+1表示全连接层的滤波器和偏差。由于全连接层只能对矩阵进行操作，因此在Fi(S)进入全连接层之前应该将其转化矩阵。此外，在每个卷积层后都可以加入池化层。