[发明专利]用于高光谱图像分类的多方向信息传播卷积神经网络构建方法

说明书

本发明公开了一种用于高光谱图像分类的多方向信息传播卷积神经网络构建方法，包括：输入端为以目标像素为中心的局部三维高光谱数据立方体样本；深度神经网络由隐层单元之间的二维卷积多层感知机、隐层单元内部的二维卷积感知机、池化层和全连接层构成；隐层单元内部的二维卷积感知机，是对隐层内部特征图按行或列方向分片，按照上下左右四个方向执行特征片之间的逐片卷积，从而传递不同方向像素的空间信息；输出层为输入的光谱像素的类别概率向量。该网络区别于经典卷积网络，在隐层内部构成特征通道间的空间信息传播机制，可以学习更具鉴别性的空谱特征，应用于高光谱监督分类，大幅度提升了少量样本下监督分类能力。

技术领域

本发明涉及深度神经网络技术，特别是一种用于高光谱图像分类的多方向信息传播卷积神经网络构建方法。

背景技术

近年来，卷积神经网络作为一种流行的深度学习框架，已经逐步成为高光谱图像分析中的强大工具，而且在高光谱分类领域的应用前景十分广阔。相较于基于浅层表征学习的方法，由深层卷积感知器实现的卷积神经网络能够自适应地从低级特征到高级特征学习分层表示，然后依次识别最具有鉴别性的特征用于高光谱图像的监督分类任务。对于高光谱图像分类任务，其挑战在于以下几个方面。首先，像素位于高维复杂流形之中，并且像素之间的非线性相关性比自然图像要更为复杂；其次，光谱特征的空间可变性增加了内部类别之间的可变性；最后，由于地物类别分布不平衡，所以高光谱图像始终处于类不平衡状态。

为了解决这些问题，如今各种不同结构的卷积神经网络框架接连被提出，从而获得更加紧凑且更具区分性的空谱特征。通常，基于卷积神经网络的方法中，卷积形式各种各样，典型的几种方法包括二维卷积神经网络[Konstantinos M,Konstantinos K,etal.Deep supervised learning for hyperspectral data classification throughconvolutional neural networks.IEEE International Geoscience and RemoteSensing Symposium,2015,4959-4962.],三维卷积神经网络[Li Y,Zhang H,ShenQ.Spectral-Spatial Classification of Hyperspectral Imagery with 3DConvolutional Neural Network.Remote Sensing,2017,9(1):67,.]，还有空谱残差网络[Zhong Z,Li J,et al.Spectral-Spatial Residual Network for Hyperspectral ImageClassification:A 3-D Deep Learning Framework.IEEE Transactions on Geoscienceand Remote Sensing,2017,56(2):847-858.]。二维卷积神经网络通过运用卷积神经网络和多层感知器，能够分层构建出蕴含着丰富像素空谱信息的高级特征。三维卷积神经网络使用初始的三维高级数据直接作为网络输入，而没有人为地提取图像特征，该网络能够有效地提取高光谱图像的空谱特征。空谱残差网络使用光谱残差块和空间残差块，从而学习到深层的具有区分性的特征。尽管这些方法对高光谱分类效果的改进很有效，但是在高光谱图像中仍然有许多深层特征未被利用，尤其在空间特征方面，利用得还远远不够。

发明内容

本发明的目的在于提供一种用于高光谱图像分类的多方向信息传播卷积神经网络，该网络区别于经典卷积网络，在隐层内部构成特征通道间的空间信息传播机制，可以学习更具鉴别性的空谱特征，应用于高光谱监督分类，大幅度提升了少量样本下监督分类能力。

实现本发明目的的技术解决方案为：一种用于高光谱图像分类的多方向信息传播卷积神经网络构建方法，包括如下步骤：

输入层为以目标像素为中心的三维空谱数据，即网络的输入数据为具有数百个光谱带的三维邻域像素块；

构建多方向信息传播卷积神经网络；