[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

说明书

本发明提出了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，解决了高光谱图像波段选择性能不佳、分类精度差及耗时长的问题。实现步骤为：输入高光谱图像；产生训练与测试样本；构建包含波段选择层、空谱联合信息和分类器的卷积神经网络；通过训练得到优化后的卷积神经网络；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。本发明通过构建基于波段选择的卷积神经网络，在网络结构中搭建基于可分离卷积和硬阈值函数的波段选择层，实现了波段选择及分类一体化，克服了因二者分离导致的分类精度低、速度慢的问题。利用网络特征学习能力，提高了波段选择性能和分类精度。在军事、民用、农业、生态等领域有着广泛的应用。

技术领域

本发明属于图像处理技术领域，涉及一种高光谱图像分类，具体是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，用于农业，测绘，考古，环境和灾害监测等领域。

背景技术

随着遥感科学技术和成像技术的发展，高光谱遥感技术的应用领域越来越广泛。高光谱数据可视为三维数据立方体，是在普通二维图像数据之外，又增加了一维的光谱信息。高光谱遥感图像结合了丰富的空间域信息和光谱域信息，具有“图谱合一”的特点，对地物精确识别提供了更高的辨别力。由于高光谱图像独有的特点，使其在军事调查、生态建设、土地利用、全球环境、自然灾害等领域有着广泛的应用。

高光谱分辨率导致了波段数量和数据量的增加，相邻波段具有强相关性，并且在高光谱数据采集过程中，辐射过程会受到诸多外界环境因素的影响引入大量噪声。上述因素使得在处理高光谱数据时，增加了无关数据的处理量，降低数据利用率，不利于光谱信息的高效快速提取和利用，并且噪声或无效波段参与后续的数据处理会对最终的图像处理结果有不良影响。关键地，直接对全部的高光谱数据进行处理，会由于数据量大而产生的维数灾难现象，导致最终的图像处理精度下降，增大处理时间。因此，在保证地物目标信息尽量少丢失的情况下，减少高光谱图像的波段数是极其必要的。

通常来说，波段选择方法是从原始波段中选择出最有信息的波段子集。波段选择根据被用于构建模型的分类器和算法步骤之间的关系，可以分为以下三类：过滤式、封装式和嵌入式。

基于过滤式的方法，其代表的寻找波段子集的方法有基于距离的标准、基于信息的标准和基于主成分的标准。基于过滤式的波段选择过程完全依赖于输入样本的自身特点，而与所使用的分类器无关，上述这些方法目的是选择出最具信息量的波段，在选择波段过程中采用了不同的准则。由于单个高信息量所选出的波段之间会存在大量的冗余，难以提供一些更丰富的分类信息，因此单个富含信息量的波段所组成的组合，不一定有利于地物分类。基于封装式的波段选择过程是不断地采用特定分类器对不同的样本子集进行训练和测试，以标记样本的交叉验证准确度为基础选择波段，由于此该类算法极大依赖子集选择算法，时间复杂度较高。基于嵌入式的方法结合了前两种方法的优点，将波段选择的过程与分类器训练的过程结合在一起，在训练分类器的同时自动进行波段选择，在保证地物分类精度的同时，尽可能的减少了时间复杂度。

综上，已有基于波段选择的高光谱分类中，存在波段选择性能不佳，从而导致分类精度差、时间复杂度高的问题。

发明内容

本发明的目的在于针对上述已有方法的不足，提出一种高分类精度和快速实现分类的基于可分离卷积和硬阈值函数的高光谱波段选择方法。用于解决现有基于波段选择的高光谱图像分类方法中，存在的波段选择性能不佳、分类精度低和速度慢的技术问题。

本发明是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；