一种基于深度置信网络的邻域加权平均高光谱图像分类方法与流程

本发明涉及基于深度置信网络的邻域加权平均高光谱图像分类方法。

背景技术：

随着遥感技术的不断发展，现在的高光谱图像光谱信息非常丰富，每个像素拥有数百个波长的信息。但是人们发现用于多光谱图像的传统方法对于高光谱图像来说并不适合。其中主要的矛盾既是传统的方法不能很好地处理如此高的光谱数据维度。为了解决这个问题，在过去的十几年间，不断有人将新的方法引入到高光谱图像分类中来，这其中采用传统方法训练成本高，往往会出现分类精度随特征维数的上升而下降的Hughes现象，或称为维数灾难。随着深度学习近年来软硬件技术的快速发展，以及大数据时代的到来，深度置信网络作为深度学习的一个方向，被应用在了高光谱图像的处理中。且随着高光谱成像技术的发展，所获影像数据的空间分辨率得到显著提高，使得在分类中利用空间信息成为可能，已经陆续有学者将深度学习应用在高光谱图像的处理中，如林洲汉的自动编码器的方法，赵兴的深度置信网络的方法等。光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(Hyperspectral Image)。

而传统的基于DBN的高光谱数据空谱联合分类方法，把空间信息利用起来而进行PCA变换不仅在算法运行上对计算机系性能提出了较高的要求，并且在变换过程中也丢失了部分非线性信息，尽管变换后大大减小了拼接后的维度，但是仍然比较高，与纯光谱数据相比依然大大增加了预训练与微调的运算时间。

技术实现要素：

本发明的目的是为了解决现有分类方法与纯光谱数据相比增加了预训练与微调的运算时间的缺点，而提出一种基于深度置信网络的邻域加权平均高光谱图像分类方法。

一种基于深度置信网络的邻域加权平均高光谱图像分类方法具体过程为：

步骤一、对高光谱原始数据进行空间信息的提取，得到高光谱原始数据的空间信息；

步骤二、对高光谱原始数据的空间信息进行邻域加权，得到处理后的高光谱数据，即矩阵M；

步骤三、以矩阵M为训练集，利用深度置信网络进行分类训练。

本发明的有益效果为：

本发明是基于深度置信网络的邻域加权平均高光谱图像分类方法实现了联合利用高光谱图像的空间信息和光谱信息对高光谱数据进行分类，并优化了空谱联合信息的数据维度，对提高高光谱数据的分类精度、分类正确率和分类效率具有重要意义。

(1)更有效地保留空间信息。

(2)数据维数相比空谱联合更低。

(3)对电脑性能要求更低，运行速度更快。

(4)对待分类高光谱数据的分类精度更高。

将DBN(深度学习--深度置信网络，全称为Deep Belief Network)的优化空谱联合、空谱联合与SAE-LR的空谱联合进行对比形成表2与表3由表可知基于DBN的邻域加权平均高光谱图像分类方法在总体精度与平均精度方面均超过了基于DBN的空谱联合的方法，同时也比利用了更多空间信息的基于SAE-LR的空谱联合精度更高。

本发明基于DBN的邻域加权平均高光谱图像分类方法的总体精度为0.9934，基于DBN的空谱联合的方法的总体精度为0.9894，基于SAE-LR的空谱联合总体精度为0.9863；基于DBN的邻域加权平均高光谱图像分类方法的总体精度为0.9899，基于DBN的空谱联合的方法的总体精度为0.9871，基于SAE-LR的空谱联合总体精度为0.9805；

本发明基于DBN的邻域加权平均高光谱图像分类方法的总体精度为0.9936，基于DBN的空谱联合的方法的总体精度为0.9819，基于SAE-LR的空谱联合总体精度为0.9924；基于DBN的邻域加权平均高光谱图像分类方法的平均精度为0.9901，基于DBN的空谱联合的方法的平均精度为0.9686，基于SAE-LR的空谱联合平均精度为0.9868。

附图说明

图1为本发明优化空谱联合方案整体框图，1表示高光谱数据，2表示选取邻域，3表示加权平均，4表示处理后数据；

图2为PaviaU数据库的真实地物标记示意图；

图3为KSC数据库的真实地物标记示意图；

图4为本发明优化的PaviaU数据库的真实地物标记空谱联合分类图；

图5为为本发明优化的KSC数据库的真实地物标记空谱联合分类图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于深度置信网络(Depth Belief Networks,DBN)的邻域加权平均高光谱图像分类方法具体过程为：

步骤一、对高光谱原始数据进行空间信息的提取，得到高光谱原始数据的空间信息；

步骤二、对高光谱原始数据的空间信息进行邻域加权，得到处理后的高光谱数据，即矩阵M；

步骤三、以矩阵M为训练集，利用深度置信网络进行分类训练。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中对高光谱原始数据进行空间信息的提取，得到高光谱原始数据的空间信息；具体过程为：

首先因为PCA变换会丢失部分非线性信息，所以这里不对高光谱图像进行PCA变换，直接为每一个像素提取正方形小邻域。

当高光谱原始数据中的待分类像素不位于高光谱遥感影像边缘时，即高光谱原始数据中的待分类像素四周有一5*5大小的正方形邻域时，对高光谱原始数据中待分类像素四周一5*5大小的正方形邻域内的像素进行空间信息的提取，得到高光谱原始数据的空间信息；

当高光谱原始数据中的待分类像素位于高光谱遥感影像边缘时，即高光谱原始数据中的待分类像素四周没有一5*5大小的正方形邻域时，用该待分类像素点填充，以获取高光谱原始数据中待分类像素四周一5*5大小的正方形邻域空间的谱信息，并对该5*5大小的正方形邻域内的像素进行空间信息的提取，得到高光谱原始数据的空间信息；

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中对高光谱原始数据的空间信息进行邻域加权，得到处理后的高光谱数据，即矩阵M；具体过程为：

所谓的邻域加权法是以待分类像素为中心点，根据正方形邻域内像素距离中心点距离以及像素个数进行加权平均；

步骤二一、根据待分类像素四周一5*5大小的正方形邻域内的像素距离中心点距离将待分类像素四周一5*5大小的正方形邻域内的像素分组；

步骤二二、确定每一组像素的权值系数和总体权值系数；

步骤二三、将各组内部像素求和后，乘以其对应组像素的权值系数之后相加，并乘以总体权值系数；得到经过加权平均求得的待分类像素的空谱联合向量m；

步骤二四、对所有待分类像素进行邻域加权平均，即求得每个待分类像素的空谱联合向量，构成处理后的高光谱数据，即矩阵M；

采用相加的方法避免了过大的维数，同时最大限度的保留了原始高光谱的信息和空间信息。该方法所采用的方案整体框图如图1所示，数据预处理算法的流程如表1所示。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤二一中根据待分类像素四周一5*5大小的正方形邻域内的像素距离中心点距离将待分类像素四周一5*5大小的正方形邻域内的像素分组；具体过程为：

所述中心点为待分类像素；

中心点为第一组；

除中心点外的位于中心点四周一3*3正方形内的八个像素为第二组；

除中心点和第一组外的位于中心点四周一5*5正方形的十六个像素为第三组；

除中心、第一组、第二组、第三组外的7*7正方形的二十四个像素为第四组，以此类推。本发明中的实验部分采用的是5*5大小的正方形邻域内的像素作为空间信息，因而共有三组像素。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤二二中确定每一组像素的权值系数和总体权值系数；具体过程为：

根据每一组包含的像素个数确定权值，权值系数与像素个数的乘积为1，

所述第一组中包含一个像素，权值系数k₁为1，

第二组中包含八个像素，权值系数k₂为1/8，

第三组中包含十六个像素，权值系数k₃为1/16；

根据像素分组数目确定总体权值系数，总体权值系数与像素分组数目的乘积为1，如本发明实验部分共包含三组像素，总体权值系数k₀为1/3；

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤二三中将各组内部像素求和后，乘以其对应组像素的权值系数之后相加，并乘以总体权值系数；得到经过加权平均求得的待分类像素的空谱联合向量m；具体方程如下所示：

其中，m为经过加权平均求得的待分类像素的空谱联合向量，为第一组像素向量，为第二组八个像素向量，为第三组十六个像素向量。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤三中以矩阵M为训练集，利用深度置信网络进行分类训练；具体过程为：

对DBN中多个限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)模型逐层训练，使深度置信网络DBN的权值向收敛靠拢，然后将深度置信网络DBN通过反向传播(Back Propagation,BP)算法进行权值优化，使深度置信网络DBN达到收敛，训练完成后，将矩阵M输入至深度置信网络DBN中，即可使用训练好的深度置信网络DBN对矩阵M进行分类。所述DBN为深度置信网络。

其它步骤及参数与具体实施方式一至六之一相同。

表1预处理算法伪代码

其它步骤及参数与具体实施方式一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种基于深度置信网络的邻域加权平均高光谱图像分类方法具体是按照以下步骤制备的：

本发明采用两个常用的高光谱数据集，其中一张是美国佛罗里达州肯尼迪航天中心(KSC)的混合植被图，另一张是意大利帕维亚大学(Pavia U)，真实地物标记如图2、图3、图4、图5所示。并按照6：2：2数据样本划分比例进行试验。

本发明验证的是基于深度置信网络的邻域加权平均高光谱图像分类方法的可行性与实际效果。通过选取邻域内像素点距离中心点距离以及像素个数进行加权平均的方式，组合成一个新的输入。将DBN(深度学习--深度置信网络，全称为Deep Belief Network)的优化空谱联合、空谱联合与SAE-LR的空谱联合进行对比形成表2与表3由表可知基于DBN的邻域加权平均高光谱图像分类方法在总体精度与平均精度方面均超过了基于DBN的空谱联合的方法，同时也比利用了更多空间信息的基于SAE-LR的空谱联合精度更高。

表2 Pavia U数据精度

表3 KSC数据精度

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。