[发明专利]基于可分离卷积和硬阈值函数的高光谱波段选择方法

权利要求书

1.一种基于可分离卷积和硬阈值函数的高光谱波段选择方法，其特征在于，包括有如下步骤：

(1)输入高光谱图像；

(2)获取样本集：

(2a)以高光谱图像中的每个像素为中心，划定一个15×15像素大小的空间窗；

(2b)将每个空间窗内所有的像素组成一个数据立方体；

(2c)将所有的数据立方体组成高光谱图像的样本集，卷积神经网络的原始输入均为来自样本集中的样本；

(3)产生训练样本与测试样本：

(3a)在高光谱图像的样本集中，随机选取5％的样本，组成高光谱图像的训练样本；

(3b)将剩余95％的样本组成高光谱图像的测试样本；

(4)构建基于波段选择的卷积神经网络的波段选择层，并进行波段选择：

(4a)构建波段选择层作为基于波段选择的卷积神经网络的第一层，其中，将输入样本的每个原始波段作为输入节点，设计基于1×1卷积核的可分离卷积结构，具体地，对于每个输入节点，用单个1×1卷积核对每个输入节点进行卷积；

(4b)波段选择层利用可分离卷积和硬阈值函数进行波段选择：输入原始波段信息，输出为所选出的波段，将选出的波段作为波段组合输入后续网络，具体地，是利用通过硬阈值函数的权值矩阵与原始波段信息进行可分离卷积，实现波段选择；波段选择层利用可分离卷积和硬阈值函数进行波段选择，包括有如下步骤：

(4b1)将波段选择层的权值矩阵进行降序排列，得到一维向量，确定所选波段个数，对排序后的向量中波段个数值位置的元素作为阈值，建立基于该阈值的硬阈值函数；

(4b2)对波段选择层的权值矩阵中每个元素输入所得硬阈值函数，具体地，对于大于等于阈值的权重值，输出保留原值，反之置零，得到新的权值矩阵；

(4b3)利用新的权值矩阵与输入样本进行可分离卷积，利用置零权值与输入卷积为零，实现了对相应位置波段的舍弃，最终实现波段选择；

(5)构建空谱联合信息提取层进行特征提取，以及构建分类器用于分类：

(5a)构建空谱联合信息提取层作为基于波段选择的卷积神经网络的第二层，具体地，构建三种尺度1×1、3×3和5×5卷积核，并分别对波段选择层的输出结果进行二维卷积；

(5b)将波段选择层输出输入至空谱联合信息提取层，将得到的输出结果级联作为空谱联合特征输入至后续网络，实现空谱联合特征提取；

(5c)构建分类器并连接在空谱联合信息提取层后，作为基于波段选择的卷积神经网络的后续层，具体地，通过卷积层和池化层级联堆叠，最终连接全连接层以及分类层，实现分类器的构建；

(5d)将空谱联合信息提取层的输出结果输入至分类器，输出为样本的预测标签，实现最终分类；

(6)对基于波段选择的卷积神经网络进行训练，得到训练后的卷积神经网络：输入训练样本，将卷积神经网络输出和真实样本标签通过交叉熵公式建立卷积神经网络的损失函数，利用梯度下降法优化分类器和空谱联合信息提取层，并利用直通估算器进一步优化波段选择层，重复执行步骤(6)直至满足迭代次数，得到训练好的卷积神经网络；

(7)利用训练后的基于波段选择的卷积神经网络对高光谱图像进行分类：将高光谱图像的测试样本输入到训练好的网络模型中，输出测试样本的预测标签，获得分类结果。

2.根据权利要求1所述的基于可分离卷积和硬阈值函数的高光谱波段选择方法，其特征在于，步骤(4a)中所述的构建波段选择层作为基于波段选择的卷积神经网络的第一层，包括有如下步骤：

(4a1)基于波段选择的卷积神经网络是由波段选择层作为第一层，空谱联合信息提取层为第二层，最后连接分类器组成；

(4a2)将15×15×d的图像块输入波段选择层，其中d代表高光谱图像的波段数，每一个波段作为一个输入节点，即共有d个输入节点，每个节点输入尺寸为15×15；

(4a3)构建可分离卷积网络结构，即对每个输入节点使用一个1×1卷积核进行卷积。