[发明专利]一种基于3D卷积谱空特征融合的高光谱图像分类算法

说明书

本发明公开了一种基于3D卷积谱空特征融合的高光谱图像分类算法，通过使用PCA白化降低光谱特征之间的相关性，极大程度地提高神经网络的训练速度；且本发明通过采用3D卷积操作和1D卷积操作相结合的方式对数据进行特征提取，可以达到更高的分类精度，在小样本上表现效果较好，并且有着较高的计算效率，特征融合过程中没有信息损失，使其能够完成高效、准确的分类，此外使用3D卷积的高光谱图像谱空特征融合方法对分类精度有明显的促进作用。

技术领域

本发明涉及高光谱图像分类技术领域，尤指一种基于3D卷积谱空特征融合的高光谱图像分类算法。

背景技术

在高光谱图像分类领域中，支持向量机SvM由于效率高，所以被认为是最流行的方法，它是一种有监督的学习模型，通过一个非线性映射，将样本空间映射到一个高维的特征空间中，使得原来的样本空间中的非线性可分问题转化为特征空间中的线性可分问题，从而实现对高光谱图像的分类，然而该方法存在着分类精度低、不能有效应对图像中存在的噪声并且在小样本环境下的精度不能满足实际的应用需求；因此，近年来又出现了以主成分分析方法降维并使用Gabor特征的高光谱图像谱空特征融合方法，以提高分类精度，这种方法虽然在一定程度上可以提高高光谱图像的分类精度，但往往会牺牲数据中携带的部分信息，使得谱空融合后的信息并不完整，限制了其性能的上限。基于上述存在的问题，本发明提出了一种基于3D卷积谱空特征融合的高光谱图像分类算法，该方法使用3D与1D卷积相结合的方式，构建出一个新颖的神经网络模型，它的分类精度更高、抗噪声能力更强，在小样本上的表现也更好，从而解决了现有技术中存在的问题。

发明内容

本发明要解决的技术问题是克服现有技术的缺点，提供一种基于3D卷积谱空特征融合的高光谱图像分类算法。

为了解决上述技术问题，本发明提供了如下的技术方案：一种基于3D卷积谱空特征融合的高光谱图像分类算法，该算法是一个四层结构，第一层是使用3D卷积神经网络来实现谱空特征融合，其输入数据为A1，输出为A2，第二层和第三层均是采用1D卷积神经网络对数据进行特征提取，第二层的输入和输出分别是A2和A3，第三层的输入和输出分别是A3和A4，第四层与第三层完全连接，输入和输出分别为A4和A5；其特征在于，高光谱图像分类算法包括以下几个步骤：

步骤一：对数据进行预处理；使用PCA白化为数据预处理方法，来降低不同光谱通道之间光谱信息的相关性，得到去掉相关性后的数据；

其中，PCA白化是指使用PCA方法将原始高光谱数据X映射到新的坐标下的数据X',对X'的每一个特征维度进行标准差归一化处理；其处理公式为：其中std(·)是求标准差的函数，X”为经过PCA白化后生成的新数据；

步骤二：使用3D卷积对第一层输入数据进行谱空特征融合；使用16个大小为7*7*1，移动步长为(1，1，1)的过滤器以待分类点为中心，对输入数据进行3D卷积来融合谱空特征，在过滤器中心点位于xyz处的3D卷积的计算公式为：其中，w⁽¹⁾_ijk为第一层中过滤器中需要学习的参数，v⁽⁰⁾_ijk代表被过滤器覆盖的与w⁽¹⁾_ijk相对应输入数据的值，b⁽¹⁾为需要学习的偏置，α₁、β₁、γ₁分别是3D卷积过滤器在3个维度上的尺寸，m₀为输入的特征图的数量，函数σ(·)为非线性激活函数，非线性激活函数的公式为:σ(x)＝max(0,x)；

在第一层中，输入是从PCA白化后的数据X'中随机提取的7*7*C1的数据块，其7*7*C1三个维度分别代表长、宽和光谱通道，待分类点位于长和宽两个维度的中央，也就是(3*3)，该层使用16个大小为7*7*1，即α₁、β₁、γ₁分别为7、7、1的3D卷积过滤器对数据块进行3D卷积操作，实现光谱-空间特征融合，过滤器在三个维度的移动的步长均为1，输出为16个维度为C2的特征向量；