[发明专利]基于三维稠密连接卷积神经网络的高光谱图像分类方法

说明书

本发明提供了一种基于三维稠密连接卷积神经网络的高光谱图像分类方法，具有这样的特征，包括以下步骤：步骤一，输入高光谱图像的三维立方数据块；步骤二，用三维稠密光谱块处理三维立方数据块得到谱间特征图；步骤三，用三维过渡层处理谱间特征图得到压缩特征图；步骤四，用三维稠密空间谱块处理压缩特征图得到空间特征图；步骤五，空间特征图经过池化层、压缩层、dropout层、全连接层得到预测标签向量；步骤六，确定目标函数；步骤七，将预测标签向量代入目标函数得到迭代训练的损失；步骤八，根据损失，优化待优化参数；步骤九，多次重复步骤一至五、七、八，多次优化待优化参数得到损失最小时的预测标签向量，即高光谱图像的分类结果。

技术领域

本发明涉及一种高光谱图像分类的方法，具体涉及一种基于三维稠密连接卷积神经网络的高光谱图像分类方法。

背景技术

传统的仅有的少量信息的普通图像只有很窄的可见光波段。高光谱传感器一般有上百个波段，每个波段独立的吸收该波段范围内的信号，根据不同的物质对每一个波段的光谱的不同反馈信号生成相应的二维图像，所有的波段的数据最终在一起形成一个多通道的三维数据。因此，高光谱图像包含大量的信息，有很多典型应用，如被用于民事和军事领域中高光谱图像目标检测。其中，高光谱图像分类在遥感领域中有着非常重要的作用。

对于高光谱图像分类，机器学习相关算法及不同的特征提取方法已被许多学者应用于高光谱图像分类。2015年，Li提出了一种采用局部二进制模式(LBPs)提取图像特征加上结构简单的高效极限学习机(ELM)作为分类器的框架。该实验结果表明LBP在空间特征提取上十分有效，并且与基于支持向量学习机(SVM)的方法相比，ELM 分类器更加高效。然而，相比LBP特征提取方法，HSI的复杂的光谱与空间信息需要更复杂巧妙的特征选择方法(LiW,Chen C,Su H,et al.Local Binary Patterns and Extreme Learning Machine forHyperspectral Imagery Classification[J].IEEE Transactions on Geoscience andRemote Sensing,2015,53(7):3681-3693.)。Deng等人提出一种基于HSI的微纹理(microtexture)的HSI分类框架。该框架将局部响应模式(LRP)推广到纹理增强(TE)中来表示HSI，利用判别局部保持投影(Discriminated Locality Preserving Projection，DLPP) 降低HSI的数据维度。但该框架没有利用HSI的光谱信息，性能可以进一步的提高(Deng S,Xu Y,He Y,et al.A hyperspectral image classification framework and its application[J].Information Sciences, 2015,299(Supplement C):379-393.)。Jimenez等人将一种区域-增长的多分辨率分割算法应用于HSI分类的后处理中，以提高分类技术的性能。该方法将分类与分割相结合，显著提升了分类结果，但其主要缺点是多分辨率算法优化的成本(Jimenez L I,PlazaA,Ayma V A,et al. Segmentation as postprocessing forhyperspectral image classification[C]. International Conference on Computeras a Tool,IEEE EUROCON 2015, September 8,2015-September 11,2015,2015.)。2016年，Huang等人结合光谱与空间信息融合可有效提高HSI的分类精度，提出了一种基于KNN的高光谱图像分类方法。该方法利用KNN滤波算法来改进由SVM得到的高光谱像素分类概率图，结合不同像素的值和空间坐标来进行图像的联合滤波，从而同时利用了HSI的光谱和空间信息 (Huang K,Li S,Kang X,et al.SpectralSpatial Hyperspectral ImageClassification Based on KNN[J].Sensing and Imaging,2016,17(1): 1-13.)。