[发明专利]基于SRCM和卷积神经网络的高光谱图像分类方法

摘要

一种基于光谱反射率曲线矩阵SRCM和卷积神经网络的高光谱图像分类方法，主要解决现有技术中高光谱图像分类精度低的问题。本发明具体步骤如下：(1)构建卷积神经网络；(2)对待分类的高光谱图像加噪；(3)对图像数据逐波段归一化；(4)生成空间光谱特征矩阵集合；(5)生成堆叠空间光谱反射率曲线矩阵集合；(6)生成训练数据集和测试数据集；(7)训练卷积神经网络；(8)对测试数据集进行分类。本发明利用融合不同层特征的卷积神经网络对高光谱图像的堆叠空间光谱反射率曲线矩阵进行特征学习，从而进行分类，具有针对高光谱图像分类问题精度高的优点。

主权项

1.一种基于光谱反射率曲线矩阵SRCM和卷积神经网络的高光谱图像分类方法，其特征在于，构建卷积神经网络，利用生成的堆叠空间光谱反射率曲线矩阵集合训练卷积神经网络，利用训练好的卷积神经网络进行分类；该方法的具体步骤如下：(1)构建卷积神经网络：(1a)构建一个20层的卷积神经网络，其结构依次为：输入层→第1个卷积层→第1个池化层→第2个卷积层→第2个池化层→第3个卷积层→第3个池化层→第4个卷积层→第4个池化层，第1个池化层→第5个卷积层→第1个全连接层，第2个池化层→第6个卷积层→第2个全连接层，第3个池化层→第7个卷积层→第3个全连接层，第4个池化层→第8个卷积层→第4个全连接层，第1个全连接层→特征级联层，第2个全连接层→特征级联层，第3个全连接层→特征级联层，第4个全连接层→特征级联层，特征级联层→第1个Dropout层→第1个Softmax层；(1b)设置卷积神经网络各层参数如下：将输入层特征映射图总数设置为1；将第1个卷积层特征映射图总数设置为6、卷积核大小设置为5×5；将第1、2、3、4个池化层池化窗口都设置为2×2；将第2个卷积层特征映射图数目设置为12，卷积核大小设置为5×5；将第3个卷积层特征映射图数目设置为32，卷积核大小设置为4×4；将第4个卷积层特征映射图数目设置为64，卷积核大小设置为3×3；将第5、6、7、8个卷积层特征映射图数目都设置为1，卷积核大小都设置为1×1；将第1、2、3、4个全连接层节点总数都设置为64；将第1个Dropout层节点总数设置为256，置零概率为0.5；将第1个Softmax层节点总数设置为待分类的高光谱图像的地物类别总个数；(1c)特征级联层将卷积神经网络的第1、2、3、4个全连结层的输出按行排序组成融合特征矩阵；(2)对待分类的高光谱图像加噪：(2a)输入一幅待分类的高光谱图像；(2b)对待分类的高光谱图像中的每个像素点的每个波段的像素值，分别加入服从[‑50,50]上的均匀分布的随机噪声，得到加噪后的高光谱图像；(3)对图像数据逐波段归一化：(3a)分别提取待分类的高光谱图像和加噪后的高光谱图像中每个波段的像素值的最大值和最小值；(3b)利用归一化公式，利用每个波段的像素值的最大值和最小值，分别对待分类的高光谱图像和加噪后的高光谱图像的每个波段中每个像素点进行归一化处理；(4)生成空间光谱特征矩阵集合：(4a)利用空间光谱特征矩阵提取方法，分别提取归一化后的待分类的高光谱图像和加噪后的高光谱图像的每个像素点的空间光谱特征矩阵；(4b)将归一化后的待分类的高光谱图像中所有像素点的空间光谱特征矩阵组成待分类的高光谱图像的空间光谱特征矩阵集合，将归一化后的加噪后的高光谱图像中所有像素点的空间光谱特征矩阵组成加噪后的高光谱图像的空间光谱特征矩阵集合；(5)生成堆叠空间光谱反射率曲线矩阵集合：(5a)将零矩阵的行数和列数分别初始化为待分类的高光谱图像的波段总数；(5b)利用矩阵更新方法，更新零矩阵中的元素值，将更新后的零矩阵分别作为待分类的高光谱图像和加噪后的高光谱图像的每个像素点的空间光谱特征矩阵中每列向量的光谱反射率曲线矩阵；(5c)利用堆叠矩阵计算公式，分别计算待分类的高光谱图像和加噪后的高光谱图像的空间光谱特征矩阵集合中每个像素点的堆叠空间光谱反射率曲线矩阵；(5d)将待分类的高光谱图像中所有像素点的堆叠空间光谱反射率曲线矩阵，组成待分类的高光谱图像的堆叠空间光谱反射率曲线矩阵集合，将加噪后的高光谱图像中所有像素点的堆叠空间光谱反射率曲线矩阵，组成加噪后的高光谱图像的堆叠空间光谱反射率曲线矩阵集合；(6)生成训练数据集和测试数据集：分别从待分类的高光谱图像和加噪后的高光谱图像的堆叠空间光谱反射率曲线矩阵集合中，随机选取80％的有标记的像素点的堆叠空间光谱反射率曲线矩阵组成训练数据集，将其余待分类的高光谱图像的堆叠空间光谱反射率曲线矩阵集合中的有标记的像素点的堆叠空间光谱反射率曲线矩阵作为测试数据集；(7)训练卷积神经网络：利用随机梯度下降方法，对卷积神经网络进行2000次训练，得到训练好的卷积神经网络；(8)对测试数据集进行分类：分别将测试数据集中的每个测试样本输入到卷积神经网络中，通过第1个Softmax层上的Softmax分类器，得到每个测试样本的分类标签，作为对应像素点的分类结果。