[发明专利]结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法

权利要求书

1.一种结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法，其特征在于，所述深度胶囊网络包括一个深度残差三维卷积层、一个初始胶囊层和一个稠密胶囊层，该方法具体包含以下步骤：

步骤1，利用深度残差三维卷积层提取高光谱影像的深层空谱特征；具体包括：

所述深度残差三维卷积层包括三个三维卷积层和两个残差学习模块，两个残差学习模块位于三个三维卷积层之间，并与三个三维卷积层间隔设置，每个残差学习模块包含三个三维卷积层；

在三维卷积层和残差学习模块之间采用一定步长的三维卷积操作代替池化层；

在残差学习模块中不使用池化层和步长卷积，而是对残差学习模块中每个三维卷积层的输入进行补全处理，使得卷积前后的特征图维度相同；

经过深度残差三维卷积层处理后的数据经批归一化处理后采用ReLU激活函数得到深层空谱特征；

步骤2，将深层空谱特征通过初始胶囊层，得到由特征向量组成的特征胶囊；

步骤3，将特征胶囊通过稠密胶囊层，得到表示类别概率的概率胶囊，以此构建类别概率图，特征胶囊与概率胶囊之间通过三维动态路由实现连接；所述三维动态路由过程如下：

首先，l层表示由初始胶囊层输出的特征胶囊组成的层级，l+1层表示概率胶囊，设在l层中第i个胶囊为在l+1层中第j个胶囊为s_j，和s_j之间通过三维动态路由机制相连接；设由l层中胶囊推断生成的预测胶囊

式中，W_ij表示l层中胶囊与预测胶囊相连接的变换矩阵，B_j为偏置；

预测胶囊认为是对l+1层中胶囊s_j的投票，当所有投票一致时，将会得到一个高层次更抽象的特征；所有预测胶囊通过耦合系数加权得到胶囊s_j：

式中，c_ij为动态路由耦合系数，其表达式为b_ij表示l层中第i胶囊激活l+1层第j胶囊的概率，初始值设为0；在l层中，所有胶囊的耦合系数为1，即∑_ic_ij＝1；

然后通过非线性压缩函数将s_j压缩至0～1之间，使其长度表示为某类别的概率值：

最后通过网络模型训练的多次迭代，计算预测胶囊和投票得到胶囊v_j之间的相似度来更新b_ij，即当和v_j方向一致时，停止更新，计算投票得到胶囊v_j；

步骤4，通过马尔科夫随机场实现分类结果的空间结构规则化，输出分类结果图。

2.根据权利要求1所述的结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法，其特征在于，所述深度胶囊网络还包括一个输入层，通过输入层向深度残差三维卷积层输入数据，该数据是将高光谱数据重采样为三维立方体斑块数据，所述斑块数据包含原始的地物空间和光谱特征信息。

3.根据权利要求1所述的结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法，其特征在于，所述特征胶囊中的每个元素表示地物的某项特征属性；所述初始胶囊层中采用非线性压缩函数作为激活函数，表达式为：

式中，u_i＝[u_i,1,…u_i,b]表示初始胶囊层中第i个胶囊的活动向量，b为特征维数。

4.根据权利要求1所述的结合深度胶囊网络和马尔科夫随机场的高光谱影像分类方法，其特征在于，所述深度胶囊网络的训练包括前向网络计算和反向传播两个步骤；

步骤A，将训练样本输入到网络中得到输出的初始类别标签，并计算相对于已知类别标签的损失函数；

步骤B，采用基于反向传播的随机梯度下降法来优化网络参数，其损失函数由间隔损失函数L_c组成，表达式为：

式中，c为类别数；T_c为分类的指示函数，如果c类存在，则为1，不存在则为0；m⁺为上界，惩罚假阳性；m^-为下界，惩罚假阴性；λ为调整两者的比例系数，v_c为第c类的概率值。