[发明专利]联合稠密连接网络和样本分布的高光谱开放集分类方法

权利要求书

1.联合稠密连接网络和样本分布的高光谱开放集分类方法，其特征在于，具体包括下述步骤：

步骤S1：对输入的高光谱图像进行预处理；

预处理分为五个步骤，依次为高光谱数据标注、最小最大值归一化、双边滤波器滤波、主成分分析降维、最小最大值归一化；

(1a)高光谱数据标注：基于先验信息，赋予各个已知类标签信息，并对高光谱数据中属于各个已知类的像素进行标注；

(1b)进行最小最大值归一化，归一化公式为：

式中x_ijd和分别代表归一化处理前后的高光谱影像数据；(i,j)代表高光谱影像像素的空间位置坐标；d代表高光谱影像的第d个波段；x_max和x_min分别代表三维高光谱影像数据中的最小值和最大值；a和b均为常数，使得归一化后的数值在(0,1)范围内，且不包括0和1；

(1c)双边滤波器滤波

输入高光谱图像，对其所有波段处的图像使用双边滤波器进行滤波；通过改变双边滤波器滤波窗口的直径调节双边滤波器对高光谱图像的滤波效果，进一步提高高光谱的分类精度；

(1d)主成分分析降维

对滤波后的高光谱图像数据进行主成分分析降维，降维后的波段数为L；

(1e)重复最小最大值归一化；

步骤S2：数据分割：具体分为三步进行操作，如下所示：

(2a)对高光谱影像空间域的边沿进行扩充，扩充的宽度为使其维度由(H,W,L)扩展成为边沿扩展层的数值均为0；

(2b)以待分类像素为中心，以m×m×L邻域范围内的数据块H_m×m×L作为中心像素的样本数据，逐个像素地遍历高光谱数据，生成大量维度为m×m×L的数据块；

(2c)对中心像素属于已知类的数据块，以中心像素所属标签为该数据块的标签；

其中，(H,W,L)分别代表高光谱影像空间域的长、宽值和光谱域的光谱通道数；m代表数据块在空间域的长宽值；

步骤S3：生成训练数据集和测试数据集；

从步骤S2提取出来的带有标签的数据块中随机抽取20％的数据块作为分类模型的训练数据集，其余的数据块作为测试数据集；测试数据集包括剩余80％的带有标签的数据块和所有没有标签的数据块；

步骤S4：构建1D/2D稠密连接网络模型，其中网络整体结构如下：

网络由1D光谱特征提取分支和2D空间特征提取分支并联组成，数据块Λ同时输入这两条分支，其中Λ∈H_m×m×L；

在1D光谱特征提取分支：数据块Λ首先通过一个宽度为24的1D卷积层；然后通过一个宽度为12、层数为3的1D稠密连接模块；接着通过一个宽度为60的1D自适应卷积层；然后通过全局平均池化得到形状为(1,60)的光谱特征矢量v_Spectral；1D自适应卷积层根据稠密连接模块输出结果调整1D卷积层中卷积核的尺寸，从而将数据从三维降到二维；

在2D空间特征提取分支：数据块Λ首先通过一个宽度为24的1D自适应卷积层；然后通过一个宽度为12、层数为3的2D稠密连接模块；接着通过全局平均池化操作得到形状为(1,60)的空间特征矢量v_Spatial；1D自适应卷积层根据数据块Λ的长度L调整1D卷积层中卷积核的尺寸，从而将数据从三维降到二维；

得到光谱特征矢量v_Spectral和空间特征矢量v_Spatial后，使用numpy.concatenate操作将二者串联形成一个形状为(1,120)的联合特征矢量v,表示为v＝[v_Spectral,v_Spatial]；其次，将联合特征矢量v依次通过宽度为64的全连接层，保存率设置为0.6的Dropout层，宽度为N的全连接层，得到一个形状为(1,N)的矢量s，其中N为已知类别数；矢量s经过SoftMax分类器得到数据块Λ相对于各已知类的概率分布P∈(P₁,P₂,…,P_N)，其中P_i为该数据块属于第i类已知类的概率值，i＝1,2，…,N；

对于数据块Λ，argmax(P)为模型预测的类别，max(P)为属于类别argmax(P)的概率值；所述的稠密连接网络：第l层输出的特征图为X_l；第l层的输出是由l层前面所有层的特征图连接组成的，表示为X_l＝H_l([X₀,...,X_l-1])，式中H_l(·)代表稠密连接网络内部第l层卷积层的非线性函数，其包含归一化Batch Normalization操作、激活函数和卷积操作，[·,...,·]表示光谱通道维的numpy.concatenate操作；

步骤S5：利用训练数据集训练1D/2D稠密连接网络模型；

训练过程中，每次随机不重复地从训练集里抽取32个样本为一批训练数据，将所述训练数据输入到构建好的1D/2D稠密连接网络模型中，得到模型的预测结果；以预测结果与标签之间的交叉熵为损失函数，计算网络权值的偏导数，并采用随机梯度下降方法更新网络参数，直至网络收敛；训练过程遍历整个训练集一次为一轮训练；

步骤S6：使用箱线图方法对训练数据的预测概率值进行异常值数据捕获、构造相应统计型特征，具体如下：

对于属于同一类且分类正确的训练数据，统计其属于该类别的概率值，构建箱线图，使用(Q₁－1.5×IQR)作为异常值判断阈值，其中Q₁为25％分位数，IQR为四分位数全距；以此方法得到不同已知类的异常值判断阈值t∈(t₁,t₂,…,t_N)，其中t_i为第i类已知类的异常值判断阈值，i＝1,2，…,N；

步骤S7：将测试数据输入训练好的1D/2D稠密连接网络模型，得到测试数据相对于各已知类的概率分布P；其次使用步骤S6得到的各已知类异常值判断阈值实现开放集分类：若概率分布P中的最大值max(P)大于已知类argmax(P)的判断阈值t_argmax(P)，则测试数据属于已知类argmax(P)，否则属于未知类，即第(N+1)类；其公式为：

式中y为开放集分类结果。