[发明专利]一种基于深度学习的高光谱图像波段选择方法

权利要求书

1.一种基于深度学习的高光谱图像波段选择方法，其特征在于，包括以下步骤：

S1、波段重要性评价：利用原始的高光谱图像数据构造波段数据x，并将所述波段数据x作为训练集输入到波段注意力学习模块中，得到表征各波段重要性的权重向量w＝g(x；θ_b)，其中，函数g(·)表示波段注意力学习的运算函数，θ_b表示波段注意力学习模块的待优化参数；

S2、波段重加权：利用所述权重向量w对所述波段数据x进行逐波段的加权运算得到波段注意力映射

S3、光谱波段重建：采用重构网络模块对所述波段注意力映射z进行非线性重构，得到波段的重构输出其中，f(·)表示重构网络的运算函数，θ_c表示重构网络模块中的待优化参数；

S4、模型优化及代表性波段选择：利用波段的重构输出原始的波段数据x以及权重向量w构建最小化损失函数模型，其中，损失函数为：

式中，λ表示正则系数，为F范数，用于表示波段数据x和重构输出之间的相似程度，||·||₁表示L1范数，用于约束权重向量w使其具有稀疏性；对所述最小化损失函数模型进行优化求解，根据优化后的波段权重的大小对各波段进行排序，从而选择权重最大的波段子集；

所述步骤S1中，所述波段注意力学习模块采用多层神经网络结构，所述神经网络的输入为光谱波段数据，输出层采用Softmax激活函数，保证输出为与原始波段长度一致的归一化向量，所述Softmax激活函数为：

式中，h_j表示所述神经网络的输出层中第j个神经元的输出，j＝1,...,b，b表示波段数量，w_j表示输出的第j个波段对应的权值。

2.根据权利要求1所述的基于深度学习的高光谱图像波段选择方法，其特征在于，所述步骤S3中，采用自编码器结构实现所述重构网络模块。

3.根据权利要求1所述的基于深度学习的高光谱图像波段选择方法，其特征在于，所述步骤S4中，采用梯度下降优化方法对所述最小化损失函数模型中的参数进行逐层优化求解，其中，θ_c和θ_b的优化过程为：

式中，表示求偏导，η表示学习率。

4.根据权利要求1所述的基于深度学习的高光谱图像波段选择方法，其特征在于，对于只有光谱向量可用的高光谱图像数据，还包括：

在所述步骤S1中，所述波段注意力学习模块采用全连接神经网络，所述全连接神经网络包括3个全连接层，其中，前两层中每个神经元均采用ReLu非线性激活函数，输出层为神经元数量与波段数据相同的线性层；

在所述步骤S3中，所述重构网络模块包括5个全连接层，其中，前4层中每个神经元均采用ReLu非线性激活函数，输出层采用Sigmoid激活函数保证输出的归一化特性，所述Sigmoid激活函数为：

式中，h_i表示所述重构网络的输出层中第i个神经元的输出，i＝1,...,S，S表示高光谱图像数据的样本数量，由此得到重建后的波段数据

5.根据权利要求1所述的基于深度学习的高光谱图像波段选择方法，其特征在于，对于包含丰富空间信息的三维高光谱图像数据，还包括：

在所述步骤S1中，所述波段注意力学习模型采用卷积神经网络，所述卷积神经网络包括2个卷积层，每个卷积层均采用3×3的卷积核和ReLu激活函数；在所述卷积神经网络后连接有一个全局池化层，所述全局池化层通过对各卷积通道的特征图求均值将三维空间数据转换为一维向量；所述全局池化层后连接有2个全连接层，用于产生波段权重向量w；

在所述步骤S2中，对波段数据进行重加权时，首先将权重向量w扩展为三维形式，然后计算波段注意力映射

在所述步骤S3中，所述重构网络模块包含两个3×3的非线性卷积层、两个3×3的非线性反卷积层，以及一个输出层，其中，所述输出层为一个1×1的线性卷积层，输出重建后的波段数据