[发明专利]基于可分离式残差三维稠密卷积的高光谱分类方法

说明书

本发明公开了一种基于可分离式残差三维稠密卷积的高光谱分类方法，包括：将经过数据预处理的一系列高光谱样本图像直接作为输入数据输入网络；通过残差三维可分离式稠密卷积提取高光谱图像的空谱特征；进行批归一化、dropout、全连接操作，提高特征的可分性，减少模型参数数量，降低模型训练难度，接着将输出数据通过softmax分类器预测，得出分类的结果。本发明利用三维残差分离稠密卷积网络提取高光谱立方体的空谱特征，每个单元的输出与下一个单元种每个单元的输出建立短连接，实现信息传递，最后经过softmax分类器，达到分类效果，实验结果表明，该分类精度比现有的算法效果有了显著的提升。

技术领域

本发明属于高光谱图像分类的技术领域，尤其涉及一种基于可分离式残差三维稠密卷积的高光谱分类方法。

背景技术

高光谱遥感图像(Hyperspectral image)是通过一种将光谱技术和图像技术相结合的一种高分辨率图像，高光谱图像在近年来在军事，农业，地理检测，环境监控等诸多领域都有相当大的作用。高光谱图像的分类是当前研究的热点问题之一。高光谱图像包含了许多光谱通道，维度高是它的一大特点。它还具有光谱混合的特性，即在二维空间信息的基础上加入一维光谱信息，带宽小于10nm。图像中的每个波段，都是二维图像。光谱空间中的每个像素反映为连续的曲线。一般来说，高光谱遥感科学的目的是利用数百个光谱波段来获取数据，以便于同时提供详细的光谱和空间信息。因此，高精度对于HIS特别有用。利用高光谱图像进行地物分类，目标识别，目标检测，都是研究热点。因此，开展高光谱遥感技术的研究具有十分必要的作用和意义。近年来，国内外学者提出了多种高光谱图像的分类发明的方法。许多与机器学习相关的图像处理技术都被应用于高光谱分类中。大致分为基于光谱分类识别与统计识别的分类方法。基于光谱分类的识别方法是利用光谱数据采用发明的方法识别地物分类，统计发明的方法分为无监督和监督分类。像最大似然分类，SVM支持向量机，但是上述的方法不是收到光谱波动的影响就是收到分类器模型参数问题使得分类不准确。卷积神经网络CNN(convolutional neural network)为代表的深度学习在图像分类和模式识别方面在近年来取得了不小的突破，采用深度学习的卷积神经网络能够增加鲁棒性，但是随着网络层数的增加，容易出现过拟合和梯度下降的问题，2015年何凯明团队提出了一种叫残差网络(resnet) 的网络，它是一种卷积神经网络的推广。它利用了一种残差的模块，这个模块具有跳跃性，便于梯度的传播，它具有较强的鲁棒性和较深的体系结构，用它可以减少很多参数，减少过拟合。Zhong等在2017年使用包含三维卷积层的SSRN提取高光谱影像立方体的特征，通过引入残差结构缓解由于网络深度增加而引起的梯度消失问题，在高光谱影像分类中分类精度较传统方法有很大提升。将resnet引入到高光谱分类中，可以较好的解决梯度消失和参数过大的问题，在高光谱分类上有着非常好的作用。

二维卷积神经网络(2D-CNN)已经在很多经典的领域有着突出的表现，例如图像分类，目标检测，评估图像等诸多图像领域取得了很好的研究成果，它在处理图像时候可以直接对其直接提取特征，完成端到端的处理方式，但若直接将其用于高光谱图像，需要对每个通道进行卷积，而高光谱图像的通道很多，每一组光谱波段都需要训练一个卷积核，大量的参数会被计算，很大的增加了计算成本，降低计算效率还会产生过拟合。

在三维卷积被提出之前，研究人员一般都通过数据降维的方法来减少光谱的维数来解决问题，例如中用PCA来进行降维，将高光谱图像中的主要成分通道提取出来，然后用二维卷积网络提取特征，但是这种方法虽然减少了计算成本，但是却使得图像丢失了很多丰富的光谱信息，导致分类精度下降。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于可分离式残差三维稠密卷积的高光谱分类方法，以三维原始图片输入进行特征提取，不必进行降维，在空间和光谱通道上同时提取特征，达到空谱联合，还可以避免引入大量参数，防止过拟合，提高运算效率。

为了解决上述技术问题，本发明提供一种基于可分离式残差三维稠密卷积的高光谱分类方法，包括以下步骤：