[发明专利]一种高光谱地物分类识别方法

摘要

本发明涉及一种高光谱地物分类识别方法，包括以下步骤：对已知分类情况的遥感图像依次进行大气校正和几何校正，得到校正后的遥感图像；对校正后的遥感图像进行去噪处理，得到去噪后的遥感图像；对去噪后的遥感图像进行重组分批，得到重组后的遥感图像；对重组后的遥感图像使用构建的多层深度网络进行训练，提取出重组后的遥感图像的深层特征；将待分类识别图像通过构建的多层深度网络进行训练，得到待分类识别图像的深层特征，将待分类识别图像的深层特征与训练得到的深层特征进行比较，得到待分类识别图像的最终分类结果。本发明的地物分类识别方法能够快速的对高光谱遥感图像的数据进行预处理，并高精确度的对高光谱遥感图像进行地物分类。 1

主权项

1.一种高光谱地物分类识别方法，其特征在于，包括如下步骤：

S1，数据校正，对已知分类情况的遥感图像依次进行大气校正和几何校正，得到校正后的遥感图像；

S2，去噪处理，对校正后的遥感图像进行去噪处理，得到去噪后的遥感图像；

S3，重组分批，对去噪后的遥感图像进行重组分批，得到重组后的遥感图像；

S4，特征提取，对重组后的遥感图像使用构建的多层深度网络进行训练，提取出重组后的遥感图像的深层特征；

S5，分类识别，将待分类识别图像进行步骤S1、步骤S2和步骤S3，再通过步骤S4中所述的网络进行训练，得到待分类识别图像的深层特征，将待分类识别图像的深层特征与步骤S4中得到的深层特征进行比较，得到待分类识别图像的最终分类结果。

2.根据权利要求1所述的一种高光谱地物分类识别方法，其特征在于：步骤S1中，所述遥感图像通过高光谱传感器获取，依次对遥感图像进行大气校正和几何校正；所述大气校正是指在ENVI Classic软件中对遥感图像的Convert File Parameter参数进行设置使其辐射亮度值符合FLAASH要求，再通过Multispectral Settings进行多光谱设置，得到大气校正后的遥感图像；所述几何校正是指在ENVI Classic软件中通过调整UTM中的Zone的数值和Datum的参数，再在Registration Parameters的对话框中对Wrap Method、Resampling和Background进行设置，完成对大气校正后的遥感图像的几何校正，得到校正后的遥感图像。

3.根据权利要求2所述的一种高光谱地物分类识别方法，其特征在于：步骤S2中，对校正后的遥感数图像进行去噪处理的公式如下：

其中c(x,y,t)为扩散系数；

当||▽G_σ*I||≤k‑Δk时：

当k‑Δk≤||▽G_σ*I||≤k+Δk时：

当||▽G_σ*I||≥k+Δk时：

其中，I(x,y,t)是偏微分方程的解，也就是去噪后的遥感图像，x、y表示去噪后的遥感图像的像素点的坐标，t表示噪声的方差；I表示校正后的遥感图像，G_σ是高斯滤波，σ是高斯核的标准偏差，div和▽分别表示散度算子和梯度算子，||表示模值，*表示卷积；k是校正后的遥感图像数据的梯度阈值,k＞0，Δk是k的偏置,0＜Δk≤5；I_xx和I_yy是校正后的遥感图像I的二阶偏导数，扩散系数c(x,y,t)是关于梯度的函数，α和β是连贯系数，α+β＝1。

4.根据权利要求3所述的一种高光谱地物分类识别方法，其特征在于：步骤S3的具体步骤如下：

S31，利用matalab软件内置的imread函数读取去噪后的遥感图像的A个波段数据，将它们都转化为A个大小为M×M的图片，每个图片相当于一个像素点，再把A个大小为M×M的图片拉伸为A列M²×1大小的矩阵，此矩阵即是由遥感图像转化为的A×M²个像素点；

S32，再将每列矩阵平均分为C份，每份含有B个元素,B＝M²/C，即将A列M²×1的矩阵数据分成C份大小为B×A的数据，最终得到A个含有C份大小为B×A的图像，即重组后的遥感图像。

5.根据权利要求4所述的一种高光谱地物分类识别方法，其特征在于，步骤S4中，利用限制玻尔兹曼机构建多层网络对重组后的遥感图像进行训练，提取出重组后的遥感图像的深层特征，具体过程如下：

限制玻尔兹曼机的网络结构由可见层和隐藏层组成；n表示可见层中神经元的个数，m表示隐藏层中神经元的个数，v表示可见层的状态向量，v_j∈v，v_j＝(v₁,v₂,...,v_n)，v_j表示第j个可见层中神经元的状态向量；h表示隐藏层的状态向量，h_i∈h，h_i＝(h₁,h₂,...,h_m)，h_i表示第i个隐藏层中神经元的状态向量；a表示可见层的偏置向量，a_j∈a，a_j＝(a₁,a₂,...,a_n)，a_j表示第j个可见层中神经元的偏置向量；b表示隐藏层的偏置向量，b_i∈b，b_i＝(b₁,b₂,...,b_m)，b_i表示第i个隐藏层中神经元的偏置向量；W＝(w_i,j)∈R^n×m表示可见层和隐藏层之间的权值矩阵，w_ij表示可见层中第i个神经元和隐藏层中第j个神经元之间的权值，R^n×m表示所有n行m列的矩阵；

将重组后的遥感图像输入到限制玻尔兹曼机的网络结构的可见层，可见层有a个节点，将A列中每行的A个像素点分别输入到可见层的一个节点中，a＝A，求得隐藏层中第i个神经元的激活概率为：

P(h_i＝1|v)＝σ(b_i+∑v_jW_ij)

可见层中第j个神经元的激活概率为：

其中，P()表示激活概率函数，