本发明涉及一种基于深度神经网络的高光谱遥感数据分类方法，属于高光谱数据处理方法与应用技术领域，适用于高光谱数据监督分类的理论方法和应用技术研究。
背景技术：
在高光谱遥感数据分类中，高光谱遥感影像的分类精度会随着光谱维度的升高而呈现先升高后降低的hughes现象。对于高光谱影像的光谱维数来说，往往无法为分类器提供足够的训练样本，因此小样本问题很大程度上影响了高光谱遥感影像分类的精度。目前对高光谱影像分类的小样本问题通常有三种解决方法：第一种是先通过波段选择或者特征提取降低高光谱影像的维度，然后利用降维后的信息进行分类，然而特征挖掘的使用有时候会损失一些细节信息；第二种是支持向量机方法，该方法利用核变换将低维空间线性不可分问题，转换到高维空间进行准确分类，对小样本、高维度问题取得了较好的分类效果，然而在支持向量机的使用过程中，参数的选择往往过于依赖使用者的经验，缺乏明确的选择标准；第三种是半监督分类，即将半监督学习引入到遥感影像分类中，在已知类别标记的训练样本不足的情况下，将未知类别的样本引入训练过程，但是可能有模型较难优化、构建训练器困难、泛化性能不高等问题。
深度神经网络在语音识别、计算机视觉等多类应用中取得突破性的进展。近年来随着遥感技术的发展和数据处理的需求，深度神经网络模型被引入到遥感图像分类应用中。在高光谱图像分类中，hughes现象是影响高光谱图像分类结果的重要难题之一，其关键是标签样本数目较少，然而在实际应用中获取充足的标签样本需要付出很大的代价。光谱信息和空间信息的提取是基于深度神经网络的高光谱数据分类的关键步骤，但现有的大多数的深度神经网络分类模型采用两通道提取特征的方式，即光谱通道提取光谱信息以及空间通道提取空间信息，该特征提取方式无法实现在单通道内完成空间信息和光谱信息的提取。
技术实现要素：
本发明的目的在于针对高光谱分类中的小样本问题，提供一种基于深度神经网络的高光谱数据分类方法。
本发明的技术解决方案为：一种通过三维卷积和空间金字塔池化联合提取空间-光谱特征的深度神经网络分类模型，该模型通过迁移学习策略实现较少训练样本条件下的遥感数据分类方法。
本发明是一种基于深度神经网络的高光谱遥感数据分类方法，其步骤如下：
(1)读入高光谱数据；
(2)确定类别数目，并选择训练样本和测试样本；
(3)基于三维卷积和空间金字塔池化的空间-光谱特征联合提取；
(4)建立基于深度神经网络的高光谱数据分类模型；
(5)通过迁移学习策略和防止过拟合方法完成模型的优化；
(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图。
其中，步骤(1)读入待处理的高光谱数据作为目标域数据，读入参考数据作为源域数据进行处理，其中读入源域高光谱数据为，d＝[d1,d2,λ,dn]，n为像元数，读入目标域高光谱数据为，h＝[h1,h2,λ,hk]，k为像元数。
其中，步骤(2)中所述的确定类别数目，并选择训练样本和测试样本：确定源域数据的样本和目标域数据的样本，其中源域分类类别数目为j1，目标域分类类别数目为j2，根据参考图像和地面调查分别选择源域数据和目标域数据的训练样本和测试样本，且各自的训练样本与其测试样本不相同。
其中，步骤(3)中基于三维卷积和空间金字塔池化的空间-光谱特征联合提取：空间金字塔池化处理三维卷积的输出，以多种大小不同的三维空间最大值池化核建立空间金字塔池化，可以得到多种规模的空间-光谱特征；其中卷积层以prelu为激活函数，采用的三维卷积计算公式为，
其中，
其中，步骤(4)中所述的建立基于深度神经网络的高光谱数据分类模型：主要以五层网络建立高光谱数据分类模型，分别是输入层、三维卷积层、空间金字塔池化层、全连接层和输出层，全连接层以双曲正切函数为激活函数。
其中，步骤(5)中所述的通过迁移学习策略和防止过拟合方法完成模型的优化：迁移学习策略以特征迁移的方式，将源域数据的特征迁移到目标域数据中，特征迁移过程主要包括模型的预训练和微调；采用的防止过拟合方法是在全连接层引入“丢弃”，即在每次训练中，以特定的概率随机选取一些神经元，不更新该神经元的权重，目的在于减少神经元间的冗余连接，提高模型的泛化性能；采用“丢弃”后全连接层输出的公式为，
其中
其中，步骤(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图，其中待分类的样本点从目标域数据中获取。
本发明与现有技术相比的优点在于：避免了传统方法中细节信息缺失、参数选择困难、模型优化困难等问题，本方法利用三维卷积和空间金字塔池化有效提取到不同规模大小的空谱联合特征，实现了地物类型分类。它具有以下的优点：(1)有效提取了高光谱图像中空间信息和光谱信息，并且在一个通道内完成了空间-光谱联合特征的提取；(2)在模型训练过程中，采用的防止过拟合策略，提高了模型的泛化性能；(3)通过迁移学习策略，将源域中的特征迁移到目标域中，解决了小样本情况下高光谱数据高精度分类问题。
具体实施方式
为了更好的说明本发明涉及的高光谱遥感数据分类方法，利用aviris高光谱数据进行精细分类。本发明一种基于深度神经网络的高光谱遥感数据分类方法，具体实现步骤如下：
(1)读入高光谱数据：以大小为512×217的萨利纳斯山谷高光谱图像为源域数据，以大小为145×145的印第安纳松树林高光谱图像为目标域数据，这两组数据均由aviris获取，波段区间均为370nm～2507nm，均包含220个波段且具有相同的波长信息；
(2)确定类别数目，并选择训练样本和测试样本：其中源域分类类别数目为j1＝16，目标域分类类别数目为j2＝16，根据参考图像和地面调查分别选择源域数据和目标域数据的样本，所选择样本为3×3矩形区域，为了降低过拟合，把所选样本的每一个像素点，按照水平、竖直和对角线方向扩充，将原矩形区域扩充为6×6矩形区域；
(3)基于三维卷积和空间金字塔池化的空间-光谱特征联合提取：三维卷积获取的空间-光谱信息，由空间金字塔池化处理，设置三维卷积核的数量和大小，以三种不同大小的三维池化核作为空间金字塔池化，并且每个池化核均为最大值池化，设置卷积层激活函数为prelu，三维卷积和空间金字塔池化的联合使用使得分类模型获取到不同规模的空间-光谱特征；采用的三维卷积计算公式为，
其中，
(4)建立基于深度神经网络的高光谱数据分类模型：依次建立高光谱数据分类模型的输入层、三维卷积层、空间金字塔池化层、全连接层和输出层；设置全连接层激活函数为双曲正切函数；
(5)通过防止过拟合方法和迁移学习策略完成模型的优化：设置“丢弃”大小，减少神经元间的冗余连接；采用“丢弃”后全连接层输出的公式为，
其中
(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图：将所有待分类的样本点和其对应的8邻域，组合成3×3矩形区域，并且按照水平、竖直和对角线方扩充的方式，将原大小为3×3×220三维数据扩充为6×6×220大小的三维数据；将所有数据依次输入到模型中，赋予所有待分类的像素点唯一的类别。