[发明专利]一种基于深度学习和多示例学习的高光谱影像分类方法

权利要求书

1.一种基于深度学习和多示例学习的高光谱影像分类方法，其特征在于：包括以下步骤：

S1：对高光谱影像进行预处理，删去部分冗余的波段；

S2：对步骤S1得到的预处理后的高光谱影像进行特征提取，得到示例特征；

S3：将步骤S2得到的示例特征映射为图像包的示例特征；

S4：对步骤S3得到的图像包的示例特征进行分类，

所述步骤S2具体包括以下步骤：

S21：将卷积神经网络从输入到输出的方向上设置第一卷积层、第一池化层、第二卷积层和第二池化层，第一卷积层与第一池化层之间设置第一BN层和第一激活函数层，第二卷积层和第二池化层之间设置第二BN层和第二激活函数层；

S22：第一卷积层和第二卷积层进行卷积操作之后不再进行卷积操作，判断第二激活函数层输出数据的维数是否为一：如果第二激活函数层输出数据的维数是一，则结束；如果第二激活函数层输出数据的维数不是一，则在第二激活函数层与第二池化层之间增加Flatten层，然后进行步骤S23；

S23：在Flatten层后增加第一全连接层、第二全连接层和第三全连接层，在第一全连接层与第二全连接层之间增加第三BN层，在第二全连接层与第三全连接层之间增加第四BN层，每个全连接层的标准差取2/w，第三全连接层的输出数据即为示例特征；其中，w为相应全连接层的前一层输出数据的维数，

所述步骤S3中，通过包转化函数将步骤S2得到的示例特征映射为图像包的示例特征，包转化函数如式(1)所示：

式(1)中，B_u为映射得到的第u个图像包的示例特征，h_uv为第u个图像包第v维的所有示例特征，x₁为第一BN层的输入数据的第一个示例特征，x_p为第一BN层的输入数据的第p个示例特征，n_u为第u个图像包的总维数。

2.根据权利要求1所述的基于深度学习和多示例学习的高光谱影像分类方法，其特征在于：所述步骤S21中，第一激活函数层和第二激活函数层中均设有激活函数，其中第一激活函数层的激活函数的表达式如式(2)所示：

f(x)＝max(0，x) (2)

式(2)中，f(x)为第一激活函数层的激活函数的表达式，也即为第一激活函数层的输出数据；x为第一BN层的输入数据。

3.根据权利要求2所述的基于深度学习和多示例学习的高光谱影像分类方法，其特征在于：所述第一卷积层的输出为第一特征图，第一特征图的第i行第j列元素通过式(3)得到：

式(3)中，a_i，j为第一特征图的第i行第j列元素，w_m，n为第一卷积核的第m行第n列权重，l_i+m，j+n为步骤S1中高光谱影像的第i+m行第j+n列元素，w_b为第一卷积核的偏置项。

4.根据权利要求1所述的基于深度学习和多示例学习的高光谱影像分类方法，其特征在于：所述步骤S4中，通过式(4)所示函数对图像包的示例特征进行分类：

式(4)中，B_v为映射得到的第v个图像包的示例特征，k为图像包的示例特征的维数。