[发明专利]一种基于全局胶囊神经网络的高光谱遥感图像分类方法

说明书

本发明提供一种基于全局胶囊神经网络的高光谱遥感图像分类方法，该方法采用主成分分析方法降低输入高光谱图像的光谱维度并同时实现去噪；然后通过对降维后的HSI图像进行卷积操作并将其设置为全局块来提取图像的全局特征；紧接着在全局块之后附加一个卷积层以提取更合适的图像特征；进而在Primary Caps层将提取到的图像特征通过动态路由算法迭代封装成对应的胶囊向量；最后，通过自注意力模块处理之后在Class Caps层中计算输出向量的长度来评判当前输入HSI图像属于相应实体的概率。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种基于全局胶囊神经网络的高光谱遥感图像分类方法。

背景技术

高光谱遥感图像是由高光谱传感器捕获的卫星图像，它的光谱分辨率高、波段众多，能够获取地物几乎连续的光谱特征曲线，可以提供丰富的空间和光谱信息，可广泛应用于地质勘探、地质制图、植被生态监测、精细农业、大气环境、环境监测、海洋遥感等多个领域。然而，高光谱图像的精确分类仍然存在着一些难题，比如像素的维度较高、噪声干扰、空间域和光谱域冗余等问题。因此，特征选择和特征提取策略在高光谱遥感图像像素点的分类中显得极其重要。以往，对高光谱遥感图像分类的常用方法包括：K最近邻(K-NN)、支持向量机(SVM)、极端学习机(ELM)、决策树(DT)、随机森林(RF)、K均值(K-means)等。除此之外，主成分分析(PCA)，它通过频段选择压缩光谱波段来减少噪声的干扰，可以保留住重要的特征，特别适合于高光谱遥感图像分类。

近年来，越来越多的研究者开始采用基于深度学习的方法对高光谱遥感图像进行地物分类。卷积神经网络(CNN)由于其出色的图像表征能力被成功地应用到了高光谱遥感图像分类领域。但是，越来越多的研究证明，单纯地利用一种维度进行图像分类很难实现较好的分类效果，因此科研工作者开始逐步把研究方向放在光谱和空间信息联合的分类实验上。然而，现有的绝大多数方法无法有效地识别特征之间的空间位置、平移、旋转、视角和放缩关系，从而限制了模型的分类能力，导致模型的泛化能力差。

胶囊网络可以提取输入高光谱遥感图像数据的矢量信息，并用这些矢量的模长和方向分别代表输入样本中某个地物出现的概率及其特征，进而提升模型在高光谱遥感图像上的分类性能，在高光谱遥感图像分类领域表现出了极大的潜力。所以基于胶囊网络的优势，本发明提出一个基于全局胶囊神经网络的高光谱遥感图像分类模型(GCapsNet)。该模型不仅能够充分地提取高光谱遥感图像丰富的光谱和空间特征，通过胶囊网络提取地物目标的位姿信息降低分类误差，同时还能借助于动态路由机制获取到部分与整体之间的层次关系，使得胶囊网络中的每一个胶囊都包含大量的特征信息，如纹理、角度、大小等。其次，GCapsNet网络模型可以大大减少训练的参数量、加快训练过程，模型也具有较强的鲁棒性。

发明内容

本发明提供一种基于全局胶囊神经网络的高光谱遥感图像分类方法，该方法降低了训练过程中的计算复杂度，而且该模型还具有较强的鲁棒性。

为了达到上述技术效果，本发明的技术方案如下：

一种基于全局胶囊神经网络的高光谱遥感图像分类方法，包括以下步骤：

S1：图像预处理；

S2：对全局胶囊神经网络模型进行训练；

S3：对训练好的模型进行测试。

进一步地，所述步骤S1的具体过程是：

S11：将高光谱图像先通过reshape再进行归一化处理操作之后再使用PCA进行降维处理获取到前三个主成分，接着对数据边缘进行填充操作；

S12：获取数据块，从降维并归一化后的高光谱图像中分别提取以待分类像元为中心的H×W×C邻域范围内的高光谱数据块P_H×W×C作为输入的图像特征，C是降维后高光谱图像通道数，所取的数据块大小为27×27×3，把它们划分为训练集、验证集与测试集。