[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

说明书

本发明公开了一种基于深度学习和多示例学习的高光谱影像分类方法，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。本发明能够提高特征提取效率和分类精度。

技术领域

本发明涉及高光谱影像分类方法，特别是涉及一种基于深度学习和多示例学习的高光谱影像分类方法。

背景技术

一般来说，高光谱数据分类过程包括特征提取和分类两个过程。经特征提取后得到的特征对地物特性的描述更加精确，测度更加细致，对分类器性能的发挥起到至关重要的作用。

目前常用的监督分类方法有最小距离分类、支持向量机及神经网络等。在较长的一段时间内，SVM在处理高光谱图像分类任务中占主导地位。Joachims等人提出了基于转导推理的SVM方法，在训练过程中不断改变SVM的超平面和其两边某些样本的标签，使SVM在已知样本和未知样本在特征空间中的距离最大。在传统的分类方法中，如神经网络、支持向量机等，它们只考虑了高光谱遥感图像的光谱特征信息，忽视了光谱数据的复杂性与多样性，追求了分类的高效性却忽视了数据的复杂从而可能带来的拟合现象。

多示例学习(multiple nstance learning)是20世纪90年代(Dietterich)等人在研究药物活性预测(drug activity prediction)问题时提出来的。每个特征向量称为一个示例，由一组示例组成的具有标记信息的样本称为包。如果包中所有的示例都为负标记，则将此包记作负包；如果包中至少有一个示例为正标记，则将此包记作正包。多示例学习的目的在于通过对由正包反包的训练数据集进行学习来预测未知包是正包还是负包，即对未知的包进行正确的分类。对多示例学习的现有运用中，多为医学中的三通道算法，此算法通道数和数据运算量较少，所以转化效率尚可，运用SVM分类的效果也尚可，但对于高光谱影像高达几百通道的数据来说，简单的包转化函数并不能起到原有的效果，并且分类器的选择也有了新的要求。现有技术中的高光谱影像分类方法的特征提取效率和分类精度都不够。

发明内容

发明目的：本发明的目的是提供一种基于深度学习和多示例学习的高光谱影像分类方法，能够提高特征提取效率和分类精度。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明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，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。