[发明专利]一种基于自适应空谱多尺度网络的高光谱图像分类方法

说明书

本发明公开了一种基于自适应空谱多尺度网络的高光谱图像分类方法，包括训练阶段和预测阶段。训练阶段包括图像预处理，样本的选取和网络训练。首先将高光谱图像进行降维处理。在样本选取阶段，从原始和降维高光谱图像上每类随机选取适当比例的带有标记的样本，然后使用设计好网络进行训练。在预测阶段，直接将整幅图像输入网络后得到最终的分类结果。

技术领域

本发明属于遥感影像处理技术领域，尤其涉及一种基于自适应空谱多尺度网络方法。

背景技术

随着传感器技术的发展，可以获得每个像素具有数百个通道的高光谱图像，它包含非常丰富的信息。对高光谱图像进行土地覆盖分类一直是近年来的热点问题，它的目标是对高光谱图像中的每一个像元赋予一个唯一的语义标签，进而生成一幅精确完整的分类图。这种分类图可以为农业，环境监测，材料分析等行业的决策者提供指导。然而，由于高光谱图像本身所存在的光谱和空间结构的复杂性，使得这一任务仍然具有一定挑战性。

传统的分类方法直接将原始光谱向量输入到分类器中。这意味着分类器在高维特征空间直接处理这上百个波段的特征。然而，高光谱图像往往数据量有限，有限的样本在高维空间中分布的极为稀疏，并且这种稀疏程度随特征维数增加而增大，这对分类器判别样本的类别造成了困难，从而造成了分类精度的下降，这种现象叫维数灾难。除此以外，高光谱图像还具有像素间光谱冗余及空间变异如同物异谱等问题，这些都会对分类精度造成影响。。

近年来，利用深度神经网络自动获取出目标深层特征的“深度学习”方法逐渐显示出其强大的威力，其不仅在计算机视觉领域崭露头角并逐渐占据主流，也被应用于高光谱分类领域并且取得了非常好的效果。卷积神经网络则由于其具有局部感知和权重共享的良好特性，在提取特征时不破坏原有的空间结构，因此得到了人们的广泛关注。除了将高光谱图像的像元作为光谱向量处理以外，因为高光谱图像中包含数百个波段，这些波段往往在狭窄的波长范围内，这意味着相近波段之间可能会存在关联，这一思想催生了将高光谱图像作为序列数据进行处理的一系列模型。此类模型旨在提取上下文信息来丰富提取到的特征。

然而，上述工作最终提取到的特征是往往单一尺度的，这意味着输入分类器的特征图中每一个像素的感受野大小均相同，这限制了分类精度的提高，而地物不论怎样缩放其类别应该是保持不变的，因此不同尺度特征应该被考虑在内，这有助于提高模型的鲁棒性。此外，在深度学习发展起来以后，已经有大量工作利用空谱融合网络进行高光谱分类，然而，这些工作在空间部分存在一个共性就是单纯依赖CNN局部感知的能力，在CNN的卷积操作中，相邻像素值是利用点乘并行处理的，这意味着CNN难以感知到相邻像元间存在的空间上下文信息，这限制了分类精度的提高。

发明内容

针对现有技术存在的不足，本发明提供了一种高精度基于自适应空谱多尺度网络的高光谱图像分类方法。

本发明提供一种基于自适应空谱多尺度网络的高光谱遥感图像分类方法，该方法主要包含光谱特征提取与空间特征提取两个分支，并将两个分支的特征进行融合，实现空谱联合分类。在空间特征提取部分，在已有的多尺度特征提取的基础上，添加了空间上下文信息提取部分，提取出更有效的多尺度空间上下文特征。在光谱特征提取部分，针对卷积神经网络中信息传播的特性，添加了光谱上下文信息提取分支，获得了更有效的多尺度光谱上下文特征。最后，提出了一种有效的特征融合手段将提取出的光谱与空间特征结合起来联合分类，进一步改善了高光谱图像分类效果。本发明具体包括以下步骤：

步骤1，将高光谱图像复制一份，取其中一份数据进行归一化处理；

步骤2，从步骤1的另一份高光谱图像，使用PCA进行降维处理，并进行归一化，接着采用镜像方式进行边界延展；

步骤3，获取空间数据块，从降维并归一化后的高光谱图像中分别提取以待分类像元为中心的w×w×k邻域范围内的数据块P_w×w×k作为输入的空间特征，k是降维后高光谱图像通道数，