[发明专利]一种基于交替更新卷积神经网络的高光谱图像分类方法

说明书

本发明提供一种基于交替更新卷积神经网络的高光谱图像分类方法，包括如下步骤：提取原始数据块作为交替更新谱间块的输入；采用交替更新谱间块进行学习，提取精炼过的谱间特征；采用降维层连接交替更新谱间块和交替更新空间块，对谱间特征进行压缩，得到压缩特征；采用交替更新空间块对压缩特征进行学习，提取精炼过的空间特征；将谱间特征和空间特征通过池化层、压缩层和全连接层，得到预测值；确定优化目标函数；采用优化目标函数计算预测值与实际值之间的损失，得到迭代训练的损失；根据迭代训练的损失，对待优化模型参数进行多次优化，得到迭代训练的损失最小时的预测值，而后将未知高光谱数据输入训练完的模型，即得到高光谱图像的分类结果。

技术领域

本发明属于高光谱图像领域，具体涉及一种基于交替更新卷积神经网络的高光谱图像分类方法。

背景技术

高光谱图像包含光谱和空间信息，通常由同一观测场景的数百个光谱带组成(Willett R M,Duarte M F,Davenport MA,et al.Sparsity and structure inhyperspectral imaging:Sensing,reconstruction,and target detection[J].IEEESignal Processing Magazine,2014,31(1):116-126.)。由于它们包含大量的信息，近年来高光谱在许多领域有重要的应用，例如食品材料的非接触分析(Caporaso N,Whitworth MB,Grebby S,et al.Non-destructive analysis ofsucrose,caffeine and trigonellineon single green coffee beans by hyperspectral imaging[J].Food ResearchInternational,2018,106:193-203.)。在所有这些高光谱图像应用中，高光谱图像分类是核心技术。然而，由于高光谱具有高维结构的特点，高光谱图像分类在遥感界仍然是一个具有挑战性的任务。

传统的高光谱图像分类方法包括特征工程和分类器。特征工程的本质是一种工程活动，其目的是最大限度地从原始的高光谱图像数据中提取或选择用于分类模型的特征。在高光谱图像分类任务中，如果可以从高光谱图像中提取和选择重要特征，则后续的分类训练过程只需要在一部分特征上建立模型。在高光谱图像分类特征工程的探索阶段，采用线性判别分析(LDA)对高光谱图像分类进行分析，其结果引入并证明了正则化LDA的有效性。然而，当正则化LDA应用于高光谱图像分类时，正则化LDA对正则化参数的调整高度敏感(Bandos T V,Bruzzone L,Camps-Valls G.Classification ofHyperspectral ImagesWith Regularized Linear Discriminant Analysis[J].Ieee Transactions onGeoscienceAnd Remote Sensing,2009,47(3):862-873.)。独立分量分析(ICA)(DallaMuraM,VillaA,Benediktsson JA,et al.Classification of Hyperspectral Images byUsing Extended Morphological Attribute Profiles and Independent ComponentAnalysis[J].Ieee Geoscience And Remote Sensing Letters,2011,8(3):542-546.)和主成分分析(PCA)也被应用于高光谱图像分类中，并且非线性PCA比线性PCA具有更好的分类精度(Licciardi G,Marpu P R,Chanussot J,et al.Linear Versus Nonlinear PCAfor the Classification ofHyperspectral Data Based on the ExtendedMorphological Profiles[J].Ieee Geoscience And Remote Sensing Letters,2012,9(3):447-451.)。近年来，流形学习(Lunga D,Prasad S,Crawford M M,et al.Manifold-Learning-Based Feature Extraction for Classification of Hyperspectral Data[J].Ieee Signal Processing Magazine,2014,31(1):55-66.)和局部二进制模式(LBP)(Li W,Chen C,Su H,et al.Local Binary Patterns and Extreme Learning Machinefor Hyperspectral Imagery Classification[J].IEEE Transactions on Geoscienceand Remote Sensing,2015,53(7):3681-3693.)对于HSI特征提取非常有用。