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

技术特征：

1.一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，其特征在于：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。

2.根据权利要求1所述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，其特征在于：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：

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，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，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。

3.根据权利要求2所述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，其特征在于：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：

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。

4.根据权利要求3所述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，其特征在于：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。

5.根据权利要求4所述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，其特征在于：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，总体权值系数k₀为1/3。

6.根据权利要求5所述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，其特征在于：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：

$m=k_0\[k_1{x}_1^{\left(1\right)}+k_2(x_1^{\left(2\right)}+x_2^{\left(2\right)}+...+x_8^{\left(2\right)})+k_3(x_1^{\left(3\right)}+x_2^{\left(3\right)}+...+x_{16}^{\left(3\right)})\]---\left(1\right)$

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。

7.根据权利要求6所述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，其特征在于：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。