[发明专利]基于长短时记忆网络的高光谱图像分类方法

摘要

本发明公开了一种基于长短时记忆网络的高光谱图像分类方法，克服了现有技术中只利用高光谱图像的光谱信息、不能有效利用高光谱图像邻域信息进行分类的缺点。本发明实现的步骤是：(1)输入高光谱图像；(2)高光谱图像降维；(3)对主成分灰度图进行形态学滤波；(4)确定训练样本集和测试样本集；(5)构建局部空间序列特正；(6)训练长短时记忆网络；(7)对高光谱图像进行分类；(8)输出分类图像。本发明具有充分利用高光谱图像的空间上下文关系使得分类效果更精确的优点，可用于高光谱图像的分类。

主权项

1.一种基于长短时记忆网络的高光谱图像分类方法，其特征在于，包括步骤如下：/n(1)输入高光谱图像：/n输入一幅待分类的高光谱图像，将高光谱图像中的每一个像素设定为一个样本，每个样本用一个特征向量表示；/n(2)对高光谱图像进行降维：/n对输入的高光谱图像进行主成分分析PCA降维处理，获得高光谱图像的主成分灰度图；/n(3)对主成分灰度图进行形态学滤波：/n(3a)从高光谱图像主成分灰度图中提取前5个主成分灰度图；/n(3b)使用5个形态学滤波器，依次对每个主成分灰度图进行形态学的开运算，得到主成分灰度图共25个滤波后图像；/n(3c)使用5个形态学滤波器，依次对每个主成分灰度图进行形态学的闭运算，得到主成分灰度图共25个滤波后图像；/n(3d)将开运算得到的滤波后图像和闭运算得到的滤波后图像相加，将得到50个滤波后图像堆叠成特征向量长度为50的形态学特征矩阵；/n(4)确定训练样本集与测试样本集：/n从高光谱图像的每类地物中，依次随机选取10％的样本，作为高光谱图像的训练样本集，并记录训练样本集的坐标位置，将剩余90％的样本，作为高光谱图像的测试样本集；/n(5)构建局部空间序列特征：/n(5a)在高光谱图像的形态学特征矩阵中，以每个样本为中心样本组成一个矩形窗口；/n(5b)利用欧氏距离公式，计算每个矩形窗口内每个样本与矩形窗口中心样本间的相似性；/n(5c)在每个矩形窗口中，将所有样本的相似性从大到小排列，组成每个中心样本的局部空间序列特征矩阵；/n(6)训练长短时记忆网络：/n(6a)以每个矩形窗口中像素个数为时间步长，形态学特征向量长度为输入层和隐层节点个数，构建长短时记忆网络模型；/n(6b)将训练样本的局部空间序列特征矩阵和与其对应的类别标签，输入长短时记忆网络，迭代训练模型的参数，得到训练好的长短时记忆网络模型；/n(7)对高光谱图像进行分类：/n将每个测试样本的局部空间序列特征矩阵，输入到训练好的长短时记忆网络模型中，得到分类的高光谱图像；/n(8)输出分类后的高光谱图像。/n