[发明专利]一种基于深度学习的高光谱图像分类方法

权利要求书

1.一种基于深度学习的高光谱图像分类方法，其特征在于：包括以下步骤：

S1：对一个已有的高光谱图像的数据集进行分割，得到源数据集、微调数据集和测试数据集；

S2：对深度卷积网络的参数进行初始化；

S3：利用源数据集训练深度卷积网络，将测试数据集输入到训练好的深度卷积网络中，得到测试数据集的正确率；

S4：判断测试数据集的正确率是否大于第一阈值：如果是，则进行步骤S6；否则，则进行步骤S5；

S5：调整深度卷积网络的参数，然后返回步骤S4；

S6：将此时的浅层网络参数作为调整后的浅层网络参数；所述浅层是指深度卷积网络中用于提取所述已有的高光谱图像的数据集边缘和轮廓的卷积层；

S7：对深层网络参数进行初始化；所述深层是指深度卷积网络中除浅层以外的其他卷积层；

S8：利用微调数据集对步骤S6得到的调整后的浅层网络参数进行训练；

S9：利用待分类的高光谱图像的数据集训练深度卷积网络；

S10：输出结果；

所述步骤S1-S5为预训练阶段，步骤S6-S10为微调阶段。

2.根据权利要求1所述的基于深度学习的高光谱图像分类方法，其特征在于：所述步骤S4中的第一阈值为90％。

3.根据权利要求1所述的基于深度学习的高光谱图像分类方法，其特征在于：所述步骤S1具体包括以下步骤：

S11：选取Indian Pines数据集作为已有的高光谱图像的数据集，数据集中数据的维数为145*145*220，数据集中共有16类作物；

S12：去除数据集中20个水吸收严重的波段，将数据集中的数据进行维度转化；

S13：随机选取已有的高光谱图像的数据集中25％的数据作为源数据集对深度卷积网络进行预训练，再从Indian Pines中每个类别选取n个数据构成微调数据集，将余下所有数据作为测试数据集。

4.根据权利要求1所述的基于深度学习的高光谱图像分类方法，其特征在于：所述步骤S2中，初始化后各参数为：预训练阶段的学习率为0.008，微调阶段的学习率为0.0008，预训练阶段和微调阶段的训练总次数均为1000，卷积核的高度为4，卷积核的宽度为1，图像通道数为10，卷积核个数为16，步长为2，深度卷积网络的卷积层和池化层中的超参数padding为填充，最大池化层的核尺寸为2。

5.根据权利要求1所述的基于深度学习的高光谱图像分类方法，其特征在于：所述步骤S3具体包括以下步骤：

S31：将64个像素点的波段信息20*1*10输入深度卷积网络的卷积层，卷积层输出64个像素点的波段信息为40*1*16；

S32：将卷积层输出的64个像素点的波段信息40*1*16输入深度卷积网络的最大池化层，最大池化层输出向量(batch,20,1,16)；

S33：将最大池化层输出的向量(batch,20,1,16)输入深度卷积网络的BN层，然后再将最大池化层输出的向量(batch,20,1,16)输入深度卷积网络的激励层；再利用tensorflow自带函数tf.reduce_mean()、tf.cast计算测试数据集的正确率。

6.根据权利要求1所述的基于深度学习的高光谱图像分类方法，其特征在于：所述步骤S7中，初始化后各参数为：卷积核的高度为4，卷积核的宽度为1，图像通道数为10，卷积核的个数为16，步长为2，深度卷积网络的卷积层和池化层中的超参数padding为填充，最大池化层的核尺寸为2。