[发明专利]波段显著度的深度空谱联合高光谱图像分类方法

权利要求书

1.波段显著度的深度空谱联合高光谱图像分类方法，其特征在于包括以下步骤：

步骤1：输入大小为r×c，含有d个光谱波段的高光谱图像表示实数集；

步骤2：通过基于流行保持-弱冗余波段评价获得出各波段的显著度u＝[u₁,u₂,...,u_d]，其中，u_i代表第i(1≤i≤d)个波段的显著度；

步骤3：将d个光谱波段按显著度由高至低的顺序排列，选取显著度高的b个波段组成优质波段集；

步骤4：对优质波段集进行连续随机抽取，得到N组波段数目均为N_s、空间尺寸仍为r×c的N个优质波段子集{X₁,X₂,...,X_N}，其中X_j表示第j个波段子集，且

步骤5：将N个优质波段子集，并行输入到深度随机块网络进行特征提取，得到N组多尺度深度显著空-谱联合特征；

步骤6：将N组特征进行级联，得到多尺度深度显著空-谱联合特征集；

步骤7：将所得特征集输入到支持向量机进行分类，并得到分类结果；

其中，所述步骤2的流行保持-弱冗余波段评价包括以下步骤：

(2-1)根据式(1)计算出波段间相似度矩阵S：

其中，s_ij表示位于矩阵S第i行、第j列的元素，x_i、x_j分别为X中第i个与第j个像元，e_i,k+1表示遍历X所有波段距离x_i第k+1个最小欧氏距离，e_i,t表示距离x_i第t个最小欧式距离，e_ij描述的是x_i与x_j间的欧氏距离；

(2-2)依据式(2)计算图矩阵L：

L＝(I-S)^T(I-S)(2)

其中，I为d×d的单位矩阵；

(2-3)对L+αI-αX^T(XX^T)^-1X进行特征值分解，其中，α为正则化参数；

(2-4)取特征值最大的前n个特征向量构成矩阵Z，其中，n设为0.9*d；

(2-5)依据式(3)得到矩阵A；

A＝(XX^T)^-1XZ^T(3)

(2-6)依据式(4)计算出刻画各波段显著度的向量u，

u＝A_2,1(4)

其中，A_2,1表示矩阵A的l_2,1范数。

2.根据权利要求1所述波段显著度的深度空谱联合高光谱图像分类方法，其特征在于，所述步骤5深度随机块网络进行特征提取包括以下步骤：

(5-1)针对第l(l≤1≤N)个优质波段子集X_l，初始化窗口尺寸win、卷积网络最终层数Laynum、卷积核个数K，初始化当前层数lay＝1；

(5-2)计算X_l的协方差矩阵，并进行奇异值分解，得到白化矩阵W_X_s；

(5-3)依据式(5)对X_l进行白化处理，得到白化后的矩阵

(5-4)从中随机选取K个大小均为win×win，特征维数为N_s的随机块；

(5-5)将K个随机块分别作为卷积核分别与X_l进行遍历卷积操作，得到K个卷积图；

(5-6)对K个卷积图进行池化操作，得到第lay层深度显著光谱-空间特征Fea_lay；

(5-7)lay＝lay+1；

(5-8)计算Fea_lay的协方差矩阵，并进行奇异值分解，得到白化矩阵W_X_s；

(5-9)依据式(6)对Fea_lay进行白化处理，白化后的矩阵

(5-10)从中随机选取K个大小均为win×win，特征维数为N_s的更新后的随机块；

(5-11)将步骤(5-10)所得的K个更新后的随机块作为卷积核，分别与进行遍历卷积操作，得到K个更新的卷积图；

(5-12)对K个更新的卷积图进行池化操作，得到第lay层深度显著光谱-空间特征Fea_lay；

(5-13)若lay＜Laynum，则继续步骤(5-7)至步骤(5-13)，否则，得到多尺度深度显著空-谱联合特征，并跳出所述步骤5转入所述步骤6。