[发明专利]基于双通道卷积神经网络的空谱联合的高光谱图像分类方法

摘要

本发明涉及一种基于双通道卷积神经网络(Dual Channel Convolutional Neural Network，DC‑CNN)的空谱联合的高光谱图像分类方法，针对高光谱图像数据为三维结构的特点，采用一维卷积网络(1D‑CNN)通道和二维卷积网络(2D‑CNN)通道相结合的方式，提取空谱特征完成高光谱图像的空谱联合分类。针对高光谱图像人工标记数据较少的问题，采用适合高光谱图像的数据扩充方法，增加训练样本的规模，提高卷积网络的训练效率，减少过拟合问题。

主权项

一种基于双通道卷积神经网络的空谱联合的高光谱图像分类方法，其特征在于步骤如下：步骤1：对输入的高光谱图像数据，依照公式对进行归一化操作；其中xijs表示高光谱图像中的一个像元，i、j分别表示该像元位于高光谱图像中的坐标位置，s表示高光谱图像的谱段，x··smax、x··smin分别表示表示三维高光谱图像在s波段的最大值和最小值；步骤2：对每个待分类的像元，提取八邻域范围内的所有信息作为该像元的谱数据样本L表示谱段总数；通过PCA降维将图像压缩，以该像元为中心提取邻域范围41×41内的信息作为该像元的空间数据样本步骤3：从步骤2中提取出来的数据中随机抽取含有标签的数据样本作为DC‑CNN的训练数据样本，随机抽取的数量为有标签数据总量的百分之五到百分之十；步骤4构建DC‑CNN：网络整体结构为两部分，第一部分包含1D‑CNN和2D‑CNN，其中1D‑CNN包含三层一维卷积层，卷积方向沿着谱方向进行；每层卷积层后连接一一维池化层，第三层池化层后依次连接一层全连接层和一层分类层，一共八层网络；2D‑CNN包含三层二维卷积层，卷积在空间上进行；每层卷积层后连接一二维池化层，第三层池化层后依次连接一层全连接层和一层分类层，一共八层网络；第二部分包含两层全连接网络，第一层为输入层，第二层是分类层，分类层采用softmax计算损失；步骤5、网络预训练：采用随机梯度下降算法对1D‑CNN和2D‑CNN进行训练，训练完成之后1D‑CNN和2D‑CNN分别具备提取深度谱特征和深度空间特征的能力；步骤6、网络调优：通过步骤5中训练好的1D‑CNN和2D‑CNN，提取训练数据的谱特征和空间特征，结合提取出的谱特征和空间特征构成训练数据的空谱特征，以训练数据的空谱特征为输入，训练网络的全连接层；步骤7：将待分类的数据依次通过训练好的1D‑CNN和2D‑CNN，特征融合，训练好的全连接层，最终根据全连接层的输出确定待分类数据的类别，完成高光谱图像空谱联合分类。