[发明专利]一种高光谱图像分类方法

说明书

本发明公开了一种基于空谱长短时记忆网络的高光谱图像分类方法，包括以下步骤：首先，针对每一个像素点，将该像素点不同通道的光谱值依次输入到光谱长短时记忆网络中，来提取像素点的光谱特征并得到基于光谱域的分类结果；与此同时，利用主成分分析将高光谱图像的第一个主成分提取出来，然后，将主成分中以上述像素点为中心的局部图像块按行拆成一组行向量依次输入到空间长短时记忆网络中，来学习像素点的空间特征并得到基于空间域的分类结果；最后，对像素点基于空间特征和光谱特征的两种分类结果使用决策融合得到联合的空谱分类结果。

技术领域

本发明属于图像信息处理技术领域，涉及一种高光谱图像分类方法。

背景技术

随着高光谱传感器的发展，现在想获得高光谱和高空间分辨率的图像越来越方便了。超光谱数据正在成为一个检测地球表面的重要工具。超光谱图像分类已经成为许多应用包括商业和军事领域的重要任务之一。

现在已经有很多方法被提出来解决高光谱图像分类问题。传统方法例如k近邻和逻辑回归通常使用高维的光谱信息作为特征，由此可能带来“维度灾难”问题。所以降维方法被广泛使用来解决这个问题。这些方法包括主成分分析和线性判别分析。后来SVM提出来用于高光谱图像分类。SVM对数据的高维度和小样本问题敏感度很低。在大部分任务中，基于SVM的分类方法能得到优于其他方法的结果。但是，SVM仍然是一个浅层的结构。通常浅层结构可以用来解决很多简单的问题。但是遇到复杂的问题，SVM有限的表征能力使得效率很低。

在过去的几年中，随着计算机计算能力的提升和数据量的规模提升，深度学习技术在很多机器学习任务中已经取得了很大的成功。在这些技术中，卷积神经网络由于它的局部连接和权重共享特点被认为是最好的特征提取方法。而且，循环神经网络和它的变体已经被广泛使用在序列数据建模问题例如语音识别和机器翻译。

最近，深度学习已经应用到遥感领域中尤其是针对高光谱图像分类。比如，栈式自编码器以非监督的形式被用来提取高级特征。受这个工作的启发，通过增加一个正则项到能量函数中来改进自编码器。后来，深度信念网络提出被用来提取特征然后通过逻辑回归得到分类结果。前面说的这些方法中，网络的输入都是高维向量。因此，要想学习到高光谱图像的空间特征，只能把局部的图像块拉直成一个向量然后输入到网络中去。但是，这个方法可能会损坏图像的二维结构，导致空间信息的丢失。为了解决这个问题，二维的卷积神经网络被提出来提取空间特征。但是，在使用二维的卷积神经网络时只使用高光谱图像的第一个主成分作为输入，可能丢失了光谱信息。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种高光谱图像分类方法，充分提取高光谱图像空间域和光谱域的特征并且结合起来，能够更好地对高光谱图像进行分类，具有较好的分类性能和分类准确率。

为了达到上述目的，本发明提出的技术方案为：一种高光谱图像分类方法，其特征在于，包括以下步骤：

步骤一、将高光谱图像中坐标位于 的像素点的不同光谱通道的值取出得到一个K维的向量，K根据高光谱图像的光谱通道个数确定；

步骤二、将步骤一中的K维向量输入到光谱长短时记忆网络中得到该像素点的光谱特征，然后将光谱特征输入到分类器中得到基于光谱特征的分类结果，并对光谱长短时记忆网络进行训练；

步骤三、对高光谱图像进行主成分分析得到第一个主成分，然后在第一个主成分中提取同样以为中心的局部图像块，将该局部图像块按行拆成一组行向量；

步骤四、将步骤三得到的一组行向量输入到空间长短时记忆网络中得到该像素点的空间特征，采用步骤二所述方法将该空间特征输入到分类器中得到基于空间特征的分类结果，并对空间长短时记忆网络进行训练；