[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

说明书

本发明公开了一种基于空谱卷积核的高光谱图像分类方法、存储介质及设备，输入一个三维立方体高光谱图像；对高光谱图像数据集划分；对高光谱图像数据进行SLIC超像素分割，提取空间卷积核；提取光谱卷积核；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；将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。本发明能更有效的利用图像自身特征，实现高光谱图像的快速、高准确率分类。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于空谱卷积核的高光谱图像分类方法、存储介质及设备。

背景技术

近年来，随着光谱成像技术的不断发展，对高光谱图像的分析与处理已经成为遥感成像的热点研究领域之一。高光谱图像包含数百个连续的光谱带，相较于多光谱图像及全色图像，可以提供更多更准确的地物信息，可更方便的揭示图像细微光谱之间的特征联系；但高光谱图像本身也存在一些缺点，如光谱冗余度较高，标记样本较少，图像训练时间较长等，因此针对高光谱图像分类的网络也主要基于以上几方面改进。

早期的高光谱图像分类主要以机器学习方法为主，依据光谱特征及适当的特征变换完成，如：支持向量机(Support Vector Machine，SVM)、k-近邻算法(K-NearestNeighbor,K-NN)、朴素贝叶斯方法及决策树等，其中SVM方法分类效果较好，能更大限度上的避免Houghes现象；但仅使用光谱信息很难准确区分地物类别，受外界因素影响，同一地物可能存在较大光谱差异，不同地物也可能产生相似光谱特征，因此基于空谱联合的图像分类方法渐渐涌现出来，如基于马尔可夫随机场(MRF)的方法、三维小波变化、三维Gabor变换等。随着深度学习技术在各行各业中的广泛应用，基于深度学习的高光谱图像分类方法占据了主流，如自编码器(AutoEncoder，AE)、深度信念网络(Deep Belief Network，DBN)、卷积神经网络(CNN)等。相较于传统分类方法，深度学习网络能自动从样本中提取深度特征，从而更全面的表达数据本身特点。AE与DBN网络中使用了较多的全连接层，随着网络层数的增加，将会有较大的计算开销，而CNN网络通过权值共享的方法较少了参数量，更高效的提升了网络的特征表达能力，现已成为高光谱图像分类的主流方法。

现有一种基于random patches的高光谱图像分类方法。该网络直接从降维的图像中随机选择若干块(random patches)视为卷积核且无需训练，通过结合深浅层特征实现分类。但该方法也存在一定的不足：卷积核的选择过于随机，抽取的卷积核可能不具有过强的表征性；网络对数据光谱信息没有充分利用，且在降维的同时损失了部分光谱信息；无监督网络虽然分类速度较快，但与监督网络相比在分类精度上仍然有一定差距。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于空谱卷积核的高光谱图像分类方法、存储介质及设备，通过联合空间卷积核与光谱卷积核对高光谱图像中地物类别进行分类，可应用于灾害检测、环境监测、地质勘探、城市规划等相关领域。

本发明采用以下技术方案：

一种基于空谱卷积核的高光谱图像分类方法，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；

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；