[发明专利]一种基于边缘保留滤波的CNN高光谱图像分类方法

说明书

本发明公开了一种基于边缘保留滤波的CNN高光谱图像分类方法，为了增强分类效果，采用边缘保留滤波进行空间特征提取。同时，为了解决分类样本不均衡的特征，改变了原有的损失函数，增大样本数比较少的分类惩罚力度，进一步提高了分类效果。

技术领域

本发明涉及高光谱图像分类技术领域，更具体的说是涉及一种基于边缘保留滤波的CNN高光谱图像分类方法。

背景技术

随着高光谱成像仪的发展，高光谱图像变得容易获得。由于其包含丰富的空间特征和光谱特征，高光谱图像已经被广泛地应用到地表覆盖、环境监测、军事侦察等。作为高光谱图像应用的关键问题，高光谱图像分类得到越来越多的关注。

高光谱图像分类是将每个像素点按照其光谱特征进行分类。过去几十年，出现了很多像素敏感的分类方法，如K近邻(KNN)、支持向量机(SVM)、稀疏表示等。然而，这些传统的方法只考虑了光谱信息，忽略了空间上下文信息。

为了进一步提高分类精度，很多学者提出了空谱融合的高光谱图像分类方法，以充分利用空间上下文信息。一种光谱融合的分类方法是基于核融合的，如复合核，基于图的核，基于多边形的核。一般，基于核的方法都是与支持向量机结合使用，完成高光谱图像分类。

除此以外，共同表示模型也是一种有效的空谱融合方法。共同表示模型的主要思想是一个区域的像素集合可以用测试集的稀疏样本进行表示。后来，出现了大量的有关共同表示和稀疏模型的分类方法，如基于核的共同稀疏模型、结构化的共同稀疏表示模型、字典学习等。

图像滤波在计算机视觉领域被广泛应用，包括图像重构，图像去模糊，边缘检测等。其中，边缘保留滤波能够实现图像的去雾、去模糊，而且还具有保留图像的边缘特征的优点。因此，边缘保留滤波被广泛的应用到各种视觉领域，其中也包括高光谱图像分类领域。康旭东首次利用边缘保留滤波提取空间特征，并得到较好的高光谱图像分类效果。该方法先用像素敏感的支持向量机分类器进行分类，然后利用边缘保留滤波优化分类图。因此，该方法非常依赖前期的分类结果，不能充分利用空间特征。

因此，如何提供一种充分利用空间特征，分类效果明显增强的基于边缘保留滤波的CNN高光谱图像分类方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于边缘保留滤波的CNN高光谱图像分类方法，为了增强分类效果，采用边缘保留滤波进行空间特征提取。同时，为了解决分类样本不均衡的特征，改变了原有的损失函数，增大样本数比较少的分类惩罚力度，进一步提高了分类效果。

为了实现上述目的，本发明提供如下技术方案：

一种基于边缘保留滤波的CNN高光谱图像分类方法，具体步骤包括如下：

步骤一：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；在原始图像中任取其中的Z个分量得到高光谱图像I和主成分分析法降维后提取引导图像G，其中Z≤S；

步骤二：以高光谱图像I的分量为被引导图像，以引导滤波半径r＝3，得到引导后的图像分量；以同样的方式为高光谱图像I的其他分量做滤波，得到高光谱图像I的滤波后的图像；

步骤四：将滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量f_i，进一步将每个光谱分量f_i组合得到图像F；

步骤五：将每个光谱分量f_i变形为X₁×X₂的二维矩阵，作为卷积神经网络的输入；其中，X₁×X₂＝Z+K；

步骤六：将图像F的分量按比例分为训练集和测试集利用卷积神经网络进行分类；其中在卷积神经网络的损失函数Loss(T,Y)中加入正则项约束和类别权重系数，得到高光谱图像卷积神经网络的损失函数