[发明专利]一种基于卷积神经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卷积神经网络的高光谱图像分类方法，该方法中的卷积神经网络包括顺次相连的输入层、空间信息提取层、光谱信息提取层、全连接层模块以及分类器；输入层用于将高光谱图像像素转换为输入图像块；空间信息提取层主要用于提取高光谱图像的空间信息；光谱信息提取层主要用于提取高光谱图像的光谱信息；全连接层模块用于将高维度的特征向量转换为低维度的特征向量；分类器用于将全连接层模块得到的特征向量进行归一化，进而对高光谱图像所属类别进行预测分类。应用本发明能够同时提取高光谱图像的空间信息和光谱信息，且能够很好的平衡分类速度和分类精度。

技术领域

本发明涉及图像分类技术领域，特别是涉及一种基于卷积神经网络的高光谱图像分类方法。

背景技术

高光谱图像技术以数十至数百个连续且细分的光谱波段对目标区域同时成像，在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。高光谱遥感近年来在地球观测领域得到了大量应用，高效的高光谱分类技术将大幅度提升地物分类精度，从而提升对地观测效率。

卷积神经网络(CNN)是高光谱图像分类领域的主流技术之一，人们希望有一种CNN模型能够同时满足分类速度和分类精度的要求，但这面临挑战。Lee等人提出一种Contextual CNN(Lee H,Kwon H.Going Deeper With Contextual CNN forHyperspectral Image Classification[J].IEEE Transactions on Image Processing,2017,26(10):4843-4855.)用于对高光谱图像进行分类。Lee等人提出的深度学习模型较小，便于快速完成高光谱图像分类任务，但是鉴于模型的局限性，其无法提取足够的空间信息，因此该模型的精度受到限制，例如在公开数据集University of Pivia和Indian Pines中，每种类型训练样本为200的条件下，测试集的平均精度分别为95.79％和93.61％。为了提取足够的高光谱图像空间信息，Zhang等人提出一种DRCNN模型(Zhang,Mengmeng,Li,Wei,Du,Qian.Diverse Region-Based CNN for Hyperspectral Image Classification[J].IEEE Transactions on Image Processing,2008:1-1.)，其具有很多个并行的卷积模块并显著提高了测试精度，但是DRCNN模型需要消耗大量的计算资源，训练和测试过程需要消耗太多的时间，其在数据集University of Pivia的测试时间是前述Lee模型的5.52倍。Paoletti等人提出一种卷积神经模型(Paoletti M E,Haut J M,Plaza J,et al.A newdeep convolutional neural network for fast hyperspectral image classification[J].Isprs Journal of PhotogrammetryRemote Sensing,2018,145PA(NOV.):120-147.)用于快速完成高光谱图像分类，其分类精度介于Lee模型和Zhang模型，实际上，Paoletti的模型虽然降低了模型深度且没有支路，但其输入以及卷积层滤波器尺寸显著大于前两者方法，例如在数据集University of Pivia中，Paoletti模型的最优输入尺寸是21×21×通道数，而Lee模型和Zhang模型的最佳输入分别为5×5×通道数和9×9×通道数，这导致Paoletti模型的测试时间反而显著增加。

上述方法要么侧重于分类速度，要么侧重于分类精度，或者为了平衡分类精度和速度，降低了模型深度和和复杂性，但是分类速度依然不令人满意。因此，急需一种更能平衡分类速度和分类精度的高光谱图像分类方法，使得基于深度学习特别是卷积神经网络的高光谱图像分类方法更加实用。

发明内容

本发明的目的在于提供一种基于卷积神经网络的高光谱图像分类方法，能够同时提取高光谱图像的空间信息和光谱信息，且能够很好的平衡分类速度和分类精度。