[发明专利]基于可分离卷积和硬阈值函数的高光谱波段选择方法

摘要

本发明提出了一种基于可分离卷积和硬阈值函数的高光谱波段选择方法，解决了高光谱图像波段选择性能不佳、分类精度差及耗时长的问题。实现步骤为：输入高光谱图像；产生训练与测试样本；构建包含波段选择层、空谱联合信息和分类器的卷积神经网络；通过训练得到优化后的卷积神经网络；利用训练后的基于波段选择的卷积神经网络对高光谱图像进行分类。本发明通过构建基于波段选择的卷积神经网络，在网络结构中搭建基于可分离卷积和硬阈值函数的波段选择层，实现了波段选择及分类一体化，克服了因二者分离导致的分类精度低、速度慢的问题。利用网络特征学习能力，提高了波段选择性能和分类精度。在军事、民用、农业、生态等领域有着广泛的应用。

主权项

1.一种基于可分离卷积和硬阈值函数的高光谱波段选择方法，其特征在于，包括有如下步骤：(1)输入高光谱图像；(2)获取样本集：(2a)以高光谱图像中的每个像素为中心，划定一个15×15像素大小的空间窗；(2b)将每个空间窗内所有的像素组成一个数据立方体；(2c)将所有的数据立方体组成高光谱图像的样本集，卷积神经网络的原始输入均为来自样本集中的样本；(3)产生训练样本与测试样本：(3a)在高光谱图像的样本集中，随机选取5％的样本，组成高光谱图像的训练样本；(3b)将剩余95％的样本组成高光谱图像的测试样本；(4)构建基于波段选择的卷积神经网络的波段选择层，并进行波段选择：(4a)构建波段选择层作为基于波段选择的卷积神经网络的第一层，其中，将输入样本的每个原始波段作为输入节点，设计基于1×1卷积核的可分离卷积结构，具体地，对于每个输入节点，用单个1×1卷积核对每个输入节点进行卷积；(4b)波段选择层利用可分离卷积和硬阈值函数进行波段选择：输入原始波段信息，输出为所选出的波段，将选出的波段作为波段组合输入后续网络，具体地，是利用通过硬阈值函数的权值矩阵与原始波段信息进行可分离卷积，实现波段选择；(5)构建空谱联合信息提取层进行特征提取，以及构建分类器用于分类：(5a)构建空谱联合信息提取层作为基于波段选择的卷积神经网络的第二层，具体地，构建三种尺度1×1、3×3和5×5卷积核，并分别对波段选择层的输出结果进行二维卷积；(5b)将波段选择层输出输入至空谱联合信息提取层，将得到的输出结果级联作为空谱联合特征输入至后续网络，实现空谱联合特征提取；(5c)构建分类器并连接在空谱联合信息提取层后，作为基于波段选择的卷积神经网络的后续层，具体地，通过卷积层和池化层级联堆叠，最终连接全连接层以及分类层，实现分类器的构建；(5d)将空谱联合信息提取层的输出结果输入至分类器，输出为样本的预测标签，实现最终分类；(6)对基于波段选择的卷积神经网络进行训练，得到训练后的卷积神经网络：输入训练样本，将卷积神经网络输出和真实样本标签通过交叉熵公式建立卷积神经网络的损失函数，利用梯度下降法优化分类器和空谱联合信息提取层，并利用直通估算器进一步优化波段选择层，重复执行步骤(6)直至满足迭代次数，得到训练好的卷积神经网络；(7)利用训练后的基于波段选择的卷积神经网络对高光谱图像进行分类：将高光谱图像的测试样本输入到训练好的网络模型中，输出测试样本的预测标签，获得分类结果。