[发明专利]基于光谱分割与同质区域检测的高光谱图像地物分类方法

权利要求书

1.一种基于光谱分割与同质区域检测的高光谱图像地物分类方法，其特征在于，构建同质区域检测模块用于修正输入高光谱图像块，使用光谱分割策略对修正的图像块沿光谱维度分割，构建并训练5个并行的特征提取子网络，该方法的步骤包括如下：

(1)构建同质区域检测模块：

(1a)搭建一个同质区域检测模块，其结构依次为：卷积层，批归一化层，激活函数层，掩膜计算单元，处理单元；

(1b)卷积层使用2-D卷积核构建，卷积核参数设置为1×1，卷积核数目为输入数据光谱维度通道数的1/2，卷积步长设置为1；激活函数层的激活函数选用sigmoid函数；掩膜计算单元采用光谱角计算公式实现；处理单元由逐通道哈达玛乘积公式进行处理；

所述的光谱角计算公式如下：

其中，w_ij表示输入图像块三维矩阵中位于第i行第j列像素点的权值，i＝1,2,...,21，j＝1,2,...,21，x_ij表示输入图像块三维矩阵中位于第i行第j列像素点光谱维度数值组成的向量，x_center表示输入图像块的中心像素点光谱维度数值组成的向量，||·||表示取二范数操作；

所述的逐通道哈达玛乘积公式如下：

其中，X′⁽ⁿ⁾表示哈达玛乘积输出矩阵，X⁽ⁿ⁾表示输入高光谱模型的图像块第n个通道的数值矩阵，n＝1,2,...,D，D表示输入高光谱模型的图像块的光谱维度，表示哈达玛相乘操作，W表示掩膜计算单元中计算的权值掩膜矩阵；

(2)构建特征提取子网络簇：

(2a)特征提取子网络簇由5个结构相同的特征提取子网络并联组成；

(2b)每个特征提取子网络由两个结构相同的残差块级联组成，每个残差块的结构依次为：第1卷积层，第1批归一化层，第1激活函数层，第2卷积层，第2批归一化层，加法计算单元，第2激活函数层；

(2c)第1和第2卷积层使用2-D卷积核构建，卷积核参数设置为1×1，卷积核数目均设置为64，卷积步长均设置为1，第1和第2激活函数层激活函数均选用ReLU函数；

(3)构建特征融合模块：

(3a)搭建一个特征融合模块，其结构依次为：卷积层，批归一化层，激活函数层，全局平均池化层，全连接层；

(3b)卷积层使用2-D卷积核构建，卷积核参数设置为1×1，卷积核数目设置为128，激活函数层选用ReLU函数，全连接层神经元数目设置为待分类高光谱图像的类别数；

(4)构建高光谱分类模型：

将同质区域检测模块、特征提取子网络簇、特征融合模块依次连接组成高光谱分类模型；

(5)生成训练集：

(5a)输入一幅高光谱图像，该图像中每一类地物至少包含10个已知标签的像素点；

(5b)将高光谱图像归一化至[0,1]之间；以每个已知标签的像素点为中心及其周围大小为21×21邻域像素组成图像块，将所有图像块组成训练集；

(6)训练高光谱分类模型：

(6a)将训练集中的图像块依次输入到高光谱分类模型中，将同质区域检测模块输出的图像块沿光谱维度均分为5个子图像块，在光谱维度不能被5整除的图像块光谱维度的末端填充0直至其能被5整除，填0的数目由数目计算公式得到；每个子图像块依次经特征提取子网络簇中的一个特征提取子网络，输出5组特征；将5组特征依次沿其光谱维度进行拼接，输入特征融合模块获得该图像块的预测标签；

(6b)利用交叉熵损失函数，计算每个图像块的预测标签与其真实标签之间的损失值；

(6c)利用梯度下降算法，更新高光谱分类模型中的所有参数，直至高光谱分类模型收敛，得到训练好的高光谱分类模型；

(7)对待分类的像素进行地物分类：

将待分类高光谱图像归一化至[0,1]之间；以每个像素点为中心及其周围大小为21×21邻域像素组成图像块，将所有图像块依次输入到训练好的高光谱分类模型中，输出每个图像块的预测地物标签。

2.根据权利要求1所述的基于光谱分割与同质区域检测的高光谱图像地物分类方法，其特征在于，步骤(1b)中所述的sigmoid函数如下：

其中，sig(·)表示sigmoid函数，e^(·)表示以自然常数e为底的指数操作，x表示sigmoid函数的输入。