[发明专利]基于空谱卷积核的高光谱图像分类方法、存储介质及设备

权利要求书

1.一种基于空谱卷积核的高光谱图像分类方法，其特征在于，包括以下步骤：

S1、输入一个三维立方体高光谱图像F，F∈R^m×n×c，R表示整个实数域，m表示整个输入图像的长度，n表示整个输入图像的宽度，c表示整个输入图像的通道数即光谱波段数；

S2、对高光谱图像数据集划分，将划分的结果分配到对应类别所属的集合中；

S3、对高光谱图像数据进行SLIC超像素分割，提取空间卷积核；

S4、步骤S3完成后，提取光谱卷积核，具体为：

S401、对每个输入尺寸为15×15×c的高光谱数据作全局池化，得到1×1×c尺寸的列向量，将得到的列向量进行边缘填充，填充数据为0，填充尺寸为2；将此数据输入三维卷积层，卷积核尺寸设置为1×1×5，卷积步长设置为1，卷积输出特征尺寸为1×1×c；

S402、从输入高光谱数据中取出中心像素所在列向量，尺寸为1×1×c，与步骤S401中所得卷积特征逐像素相加，得到新的光谱通道特征，特征尺寸为1×1×c；

S403、将光谱通道特征输入通道权重训练网络，网络结构为：第一全连接层→ReLu激活层→第二全连接层→sigmoid激活层；第一全连接层输入神经元个数设置为c，输出神经元个数设置为16；第二全连接层输入神经元个数设置为16，输出神经元个数设置为c；经过sigmoid激活函数后输出1×1×c尺寸的通道权重向量；

S404、将步骤S403网络输出的通道权重向量通过乘法，逐通道加权到输入尺寸为15×15×c的高光谱数据上，得到新标定后的高光谱数据，尺寸保持不变为15×15×c；以新标定数据中心像素为基准，截取周围3×3区域的像素块，作为光谱卷积核父本；

S405、光谱卷积核父本尺寸为3×3×c，每个光谱卷积核需从父本光谱维度随机抽取d维组成，则每个光谱卷积核尺寸为3×3×d，光谱卷积核维数d需与空间卷积核个数保持一致，本阶段抽取卷积核的个数为b；

S5、将空间卷积核和光谱卷积核经多次卷积操作构成空谱卷积核预训练网络，预训练网络结构为：第一空间卷积层→第一规范层→第一激活层→第二空间卷积层→第二规范层→第二激活层→第三空间卷积层→第三规范层→第三激活层→第一光谱卷积层→第四规范层→第四激活层；

第一空间卷积层的卷积核由步骤S3操作产生，卷积核尺寸为5×5×c，个数为d，卷积步长为1，填充数据为2；第二空间卷积层的卷积核在第一层输出的特征图中生成，在特征图中截取d个空间卷积核，卷积核尺寸为5×5×d，卷积步长为1，填充数据为2；第三空间卷积层的卷积核，将在第二层输出特征图中生成，与第二层操作一致，在特征图中截取d个空间卷积核，卷积核尺寸为5×5×d，卷积步长为1，不做数据填充；

第一光谱卷积层的卷积核由步骤S4操作产生，卷积核尺寸为3×3×d，个数为b，卷积步长为1，不做数据填充；经光谱卷积操作后，输出的空谱特征维度为b；

S6、将步骤S5中预训练网络的输出特征图输入监督训练网络中进行训练，训练完毕后得到级联监督训练网络，网络输出特征经由softmax函数实现图像分类。

2.根据权利要求1所述的基于空谱卷积核的高光谱图像分类方法，其特征在于，步骤S2具体为：

S201、对高光谱图像三维数据进行边缘填充，填充数据为0，填充尺寸为7；

S202、将填充完成的三维数据以每个像素为中心，截取周围15×15的像素块作为单个数据集，得到数据集尺寸为15×15×c；

S203、将得到数据集以每个中心像素类别为标签，分配到对应类别所属的集合中。

3.根据权利要求1所述的基于空谱卷积核的高光谱图像分类方法，其特征在于，步骤S3具体为：

S301、对原始高光谱图像数据进行SLIC超像素分割，每个超像素分割尺寸为5×5，分割后得到N个超像素及其像素中心，以超像素中心为基准截取周围5×5尺寸像素块作为新的单位超像素；

S302、将得到的超像素转为灰度图，通过均值Hash算法实现超像素聚类；

S303、计算每一类超像素信息熵H_k；

S304、根据各类超像素抽取数量从各类总数中随机抽取a个，将抽到的超像素坐标映射到原高光谱图像中，空间卷积核将由映射出的d个5×5×c尺寸的超像素块构成。