[发明专利]一种基于边缘保留滤波的CNN高光谱图像分类方法

摘要

本发明公开了一种基于边缘保留滤波的CNN高光谱图像分类方法，为了增强分类效果，采用边缘保留滤波进行空间特征提取。同时，为了解决分类样本不均衡的特征，改变了原有的损失函数，增大样本数比较少的分类惩罚力度，进一步提高了分类效果。

主权项

1.一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，具体步骤包括如下：步骤一：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；在原始图像中任取其中的Z个分量得到高光谱图像I和经主成分分析法降维提取引导图像G，其中Z≤S；步骤二：以高光谱图像I的分量为被引导图像，以引导滤波半径r＝3，得到引导后的图像分量；以同样的方式为高光谱图像I的其他分量做滤波，得到高光谱图像I的滤波后的图像；步骤四：将滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量f_i，进一步将每个光谱分量f_i组合得到图像F；步骤五：将每个光谱分量f_i变形为X₁×X₂的二维矩阵，作为卷积神经网络的输入；其中，X₁×X₂＝Z+K；步骤六：将图像F的分量按比例分为训练集和测试集利用卷积神经网络进行分类；其中在卷积神经网络的损失函数Loss(T,Y)中加入正则项约束和类别权重系数，得到高光谱图像卷积神经网络的损失函数：式中λ为正则项系数，其变化范围从1×10^‑6～1，间隔10倍调整λ的值，选择最高识别率时的λ值作为上式中的λ值，其中，n是训练集样本个数为有限正整数，C是高光谱遥感图像D的类别数，t_ic为测试集第i个样本的真实类标，当i样本属于第c类时，t_ic为1，其余为0；y_ic是测试集第i个样本的预测类标，定义方式与t_ic相同，W为卷积神经网络的所有参数；类别权重系数weight_c的计算公式为：其中，n_c为训练集中第c类的样本个数，n_max为训练集中样本数量最多的类的样本个数。