[发明专利]基于三元组损失和卷积神经网络的高光谱图像分类方法

说明书

本发明公开了基于三元组损失和卷积神经网络的高光谱图像分类方法，涉及高光谱技术。针对现有技术中分类成功率低的问题提出本方案，主要通过由前若干个最困难分类的同类样本和不同类样本构造改进三元组损失而实现。优点在于充分利用了有限的训练样本的全部信息，还过滤掉一些微不足道的类内或类间信息，特别关注比较困难分类的样本，并压制了异常样本的影响。还设计了一个适合于高光谱分类的卷积神经网络结构，使得既能够提取足够深度的特征，又能够用有限的训练样本学习到网络参数，同时联合提取空间和频谱特征。本发明所述的方法仅使用数百个训练样本就获得了很好的结果，分类精度明显优于其他最新方法，并且训练速度快。

技术领域

本发明涉及一种专用于高光谱图像像素分类的方法，尤其涉及基于三元组损失和卷积神经网络的高光谱图像分类方法。

背景技术

高光谱图像分类是指对高光谱图像中的每一个像素进行分类。与普通的遥感图像相比，高光谱图像的波段多，覆盖范围广，有效地结合了空间信息和光谱信息，能够有效提升分类精度以及改善分类效果。利用高光谱图像对空间地物进行分类有广泛的应用，例如矿产勘查、水污染检测、自然灾害和生物威胁等。

近年来，基于深度学习的图像分类方法取得了很大的进展。然而，因为对高光谱图像的某个像素的样本标记类别要进行实地勘测，需要大量的人力物力，所以高光谱图像的训练样本非常有限。另外，在高光谱图像中，不同类的样本会有很相似的谱特征，而同类的样本会有不同的谱特征，这些样本的存在导致数据呈高度非线性,大大降低了分类成功率。这道导致了基于深度学习的高光谱图像分类仍面临极大挑战。

发明内容

本发明目的在于提供基于三元组损失和卷积神经网络的高光谱图像分类方法，以解决上述现有技术存在的问题。

本发明所述基于三元组损失和卷积神经网络的高光谱图像分类方法，包括以下步骤：

获取高光谱图像数据；

对高光谱图像进行预处理；

训练样本提取；

利用卷积神经网络提取高光谱图像特征；

构造改进三元组损失；

对所述卷积神经网络进行训练；

利用训练得到的神经网络对未知样本进行分类；

所述改进三元组损失由前若干个最困难分类的同类样本和不同类样本构造而成，且

其中，L_IT为所述改进三元组损失，D(f(x_i),f(x_j))＝‖f(x_i)-f(x_j)‖₂，f(x_i)是样本x_i经过卷积神经网络输出的特征；是同类样本的阈值；是不同类样本的阈值；是求和号里面的项数；H(x)＝max(0,x)是铰链函数。

优选地，使用扩展多属性剖面对高光谱图像进行预处理。

优选地，使用扩展多属性剖面对高光谱图像进行预处理具体包括：用主成分分析对原始高光谱数据进行降维，保留三个主成分；

在每个主成分上分别提取面积和标准差两种属性下的特征；属性滤波在给定参考阈值的前提下，评估相连像素的属性值；如果相连像素的属性值大于阈值，则这一区域将被保留，反之，这块区域将被赋为与邻域相近的像素值，即合并到周边子块；

把每个主成分上的每个属性下的不同阈值下提取的特征串联起来，得到扩展多属性剖面后，对高光谱图像进行预处理。