[发明专利]一种用于高光谱影像分类的学习率优化算法折扣系数法

说明书

本发明公开了一种用于高光谱影像分类的学习率优化算法折扣系数法，涉及遥感图像处理技术领域，包括如下步骤：获取高光谱图像数据；对高光谱图像数据进行预处理，得到训练集样本；将训练集样本输入卷积神经网络模型进行训练；在训练过程中对卷积神经网络模型的学习率进行修正；重复训练直至达到训练轮次要求。本发明通过提供一种用于高光谱影像分类的学习率优化算法折扣系数法，基于高光谱图像数据实现了对高光谱图像分类模型的建立，且在训练过程中对学习率进行修正，实现了对高光谱图像分类模型的优化，提高了分类模型的训练的效率和最终的性能。

技术领域

本发明涉及遥感图像处理技术领域，具体公开了一种用于高光谱影像分类的学习率优化算法折扣系数法。

背景技术

遥感图像处理技术以其灵活性高、再现性好等优点在生产、生活中发挥着日益重要的作用。高光谱图像处理技术是该领域的重要分支，在众多高光谱图像处理技术中，高光谱图像分类技术一直是研究重点和难点之一。利用高光谱图像分类技术，可获取农作物分布与生长情况，从而达到有效的、科学的农业管理；可对城市房屋、路面等进行准确识别与分类，从而为城市规划等方面提供帮助；可对水体分布和水质进行检测，从而为水资源管理提供帮助。

传统高光谱图像分类方法大致可分为依据地物光谱特性曲线的光谱匹配分类方法和基于数据统计特性分类方法，基于数据统计特性分类方法又可以根据其模型训练中是否需要有标记的样本分为监督分类、无监督分类。其中，无监督分类算法是指只有训练数据集，没有已标记分类结果的样本，只能靠计算机本身去分析数据特征。有监督分类算法是指训练数据集和已标记分类结果的样本一起输入模型，这样得到的分类精度也必然会高，但是需要大量已标记样本。

近些年来，深度学习方法的优异性能使其在众多领域得到了广泛的研究。特别地，并根据研究领域的不同出现了各种衍生的网络结构。例如，在监督学习方向，循环神经网络、卷积神经网络以及图卷积神经网络在自然语言处理、计算机视觉和不规则数据处理等领域取得了优异的成就。基于卷积神经网络的方法已经证明了其强大的特征提取能力。目前已经有众多基于卷积神经网络的模型被提出来用于高光谱影像分类。但是目前仍有一些缺陷需要克服。这些模型都要依赖于深度学习框架进行模型训练，而训练网络模型是一个非常困难的全局优化问题，且训练过程中模型性能会频繁的波动。

发明内容

本发明所要解决的技术问题在于，提供一种用于高光谱影像分类的学习率优化算法折扣系数法，基于高光谱图像数据实现了对高光谱图像分类模型的建立，且在训练过程中对学习率进行修正，实现了对高光谱图像分类模型的优化，提高了分类模型的训练的效率和最终的性能。

为解决上述技术问题，本发明提供一种用于高光谱影像分类的学习率优化算法折扣系数法，包括如下步骤：

获取高光谱图像数据；

对高光谱图像数据进行预处理，得到训练集样本；

将训练集样本输入卷积神经网络模型进行训练；

在训练过程中对卷积神经网络模型的学习率进行修正；

重复训练直至达到训练轮次要求。

优选的，所述预处理包括如下步骤：

将高光谱图像数据通过主成分分析法去除冗余波段得到高光谱遥感影像；

根据高光谱遥感影像建立多类以待分类像素为中心的三维图像立方体；

从每一类三维图像立方体中随机选取部分数据及其与之对应的类别标签作为训练集样本。

优选的，所述训练轮次要求为100轮。

优选的，对卷积神经网络模型的学习率进行修正，包括如下步骤：

对卷积神经网络模型训练时的指标进行监视；