一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法
【技术领域】
[0001] 本发明设及一种高光谱像元数据的分类方法，具体设及一种基于多层卷积网络的 高光谱数据分类方法。
【背景技术】
[0002] 高光谱成像是近些年发展起来的基于大量连续窄波段的地物光谱信息获取目标 成像的方法。高光谱成像的谱间分辨率很高，一般波段间隔在lOnmW内，W纳米级的超高光 谱分辨率对目标地物进行成像，同时获取数百个波段，形成连续光谱图像。高光谱成像技术 是在多光谱成像的基础上，从紫外到红外的光谱范围内，利用成像光谱仪在光谱覆盖范围 内数百条光谱波段对目标物体连续成像，获得物体空间特征信息的同时也获得被测物体丰 富的光谱信息，使得许多原本在多光谱遥感图像中无法获取的光谱信息得W探测。高光谱 成像技术具有波段多、光谱分辨率高、光谱范围广与图谱合一等特点，能够利用丰富的光谱 信息挖掘地物特征信息，运使得高光谱成像技术成为21世纪遥感探测领域重要的研究方向 之一。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，逐步从地面遥感发展到 航空和航天遥感应用平台相结合的阶段，并在诸如地图绘制、资源勘探、农作物监测、精细 农业、灾害调查、目标侦查、海洋环境监测和战场环境监测等领域发挥重要的作用。
[0003] 高光谱图像可W看作一个数据立方体，其二维空间特征可W用来表述待测地物的 地表空间分布，一维光谱特征可W用来表述每个像素所代表地物的光谱属性信息，从而实 现高光谱遥感图像二维空间特征信息与一维光谱特征信息的有机结合。光谱空间中，高光 谱图像的每个像素对应一条近似连续的光谱曲线，反映了待测地物光谱反射率随光谱波长 的变化情况。使用光谱空间对高光谱图像进行分析时，主要是利用不同类别地物的光谱特 征属性不同，同类别地物的光谱特征属性相似的特点，通过实际获得的光谱曲线与光谱数 据库的样本光谱曲线间的对比来区分不同地物。
[0004] 神经网络算法是应用于图像分类与模式识别的常用方法之一，通过分层构造众多 浅层神经元节点，层与层间通过可调的连接权值连接，可逐层提取图像特征。深度学习是近 年来提出的一种改进神经网络算法，通过组合低层特征形成更加抽象的高层表示属性类别 或特征，W发现数据的分布式特征表示。通过改进神经网络的训练过程，能够避免反向传播 所带来的梯度扩散现象，从而构造出更深层的网络结构W便进行特征提取与分类，具有大 规模并行处理、分布式信息存储、W及良好的自组织自学习能力等特点。
[0005] 目前，应用在高光谱图像数据上的分类技术有很多，然而由于对象不同于传统的 二维图像，在光谱维有着丰富的光谱信息，因而处理复杂程度大大增加，利用不同分类方法 得到的识别结果有很大差异。
【发明内容】
[0006] 为了解决Ξ维高光谱图像数据特征提取与分类的问题，本发明提供了一种基于多 层卷积网络与数据重组折叠的高光谱数据分类方法，通过对图像的光谱维信息进行重组折 叠获得表征该像元的光谱特征图，并利用多层卷积神经网络构建分类器，从而实现高光谱 图像数据的分类。
[0007] 本发明的目的是通过W下技术方案实现的：
[0008] -种基于多层卷积网络与数据重组折叠的高光谱数据分类方法，采用数据重组折 叠的方法重新构造出Ξ维图像矩阵，并获得每个像元的特征光谱图作为训练输入，通过卷 积的方法提取每层图像特征，逐层构造深度卷积网络，并采用标签对整个网络进行调整，获 得了一个分类性能优秀的高精度多分类器。具体实施步骤如下：
[0009] 一、对Ξ维高光谱数据展开分类前进行预处理，获得包含有效光谱信息的数据矩 阵与标签向量。
[0010] 二、对数据矩阵进行特征扩维，并对特征维进行按列折叠重组，获得重组的Ξ维高 光谱数据输入矩阵。
[0011] Ξ、设定多层卷积网络结构参数与初始值。
[0012] 四、利用前向传播与BP算法逐层计算特征与误差，并对网络权值与偏置进行更新， 不断迭代获得网络稳定参数，最终获得能够用于分类的网络模型与参数。
[0013] 本发明与现有技术相比具有如下优点：
[0014] 高光谱图像包含丰富的光谱信息，可W用于目标探测或分类。传统的二维图像处 理方法难W对高光谱Ξ维图像进行处理与分类。通过卷积网络构造出深层的神经网络结 构，可W有效地提取像元光谱的深层信息。通过数据处理、特征扩充与重组折叠，每个像元 的光谱向量转化成光谱特征图作为该像元的输入特征，并利用图像的位移不变性与旋转不 变性，构造卷积核逐层提取像元光谱的深层特征。相比于其他方法，该方法原理清楚，结构 清晰，识别时间短，同时探测辨识率高，是针对高光谱数据的一个有效分类方法，适用于高 光谱图像快速目标探测与分类识别应用。
【附图说明】
[0015] 图1为本发明的流程图；
[0016] 图2为KSC数据集部分像元波段的光谱采样曲线；
[0017] 图3为KSC数据集部分像元经过数据重组后获得的光谱特征图；
[0018] 图4为KSC数据集部分像元光谱特征图逐层特征提取得到的子特征图。
【具体实施方式】
[0019] 下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本 发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖 在本发明的保护范围中。
[0020]
【具体实施方式】一:本实施方式提供了一种基于多层卷积网络与数据重组折叠的高 光谱数据分类方法，在对高光谱数据进行展开与预处理后，对像元光谱维进行特征扩维与 光谱维折叠重新形成Ξ维数据矩阵，获得二维光谱特征图作为分类器的输入，并逐层构建 卷积神经网络，同时利用像元输入光谱特征图与输出标签信息作为训练样本对光谱维信息 进行深层特征提取与网络的权值更新，通过多次迭代最终使层间的连接权值与偏置收敛至 稳定，最后利用此网络即可对同一数据来源的无标签样本进行快速精确的分类。
[0021] 本发明的流程图如图1所示，共分为四个步骤，具体步骤如下：
[0022] 步骤一:对Ξ维高光谱数据展开分类前的预处理，从而获得包含有效光谱信息的 数据矩阵与标签向量。
[0023] 由于高光谱数据中包含大量无标签的像元，无法利用运些像元进行网络的权值更 新迭代。因此应首先在数据中剔除运些无用信息，再进行数据的归一化处理，W方便之后的 操作。
[0024] 1)加载Ξ维高光谱数据矩阵与标签矩阵马f"。其中a日、b日表示图像矩阵的 行数、列数，no表示高光谱图像包含的光谱波段数。
[0025] 2)将Ξ维光谱数据矩阵与标签矩阵巧xb分别展开为二维数据矩阵巧《?X"? 与标签向量王？XI，其中像元总数mo =日日X bo。
[0026] 3)在包含mo个像元的数据矩阵巧"""'"与标签峨XI中筛选出mi个有确定类别标签的 像元作为训练样本，类别取值从1到SP，类别总数为SP，重新整理获得数据矩阵F?，x"。与标签 向量五心1，对于标签数组五wixi中第i个标签以对应的像元，其光谱信息存储在数据矩阵 /7"'ιχ~的第i行向量if"。中。
[0027] 4)对数据矩阵进行归一化处理，得到均值为0的数据矩阵
[0028] 步骤二:对数据矩阵进行特征扩维，并对特征维进行按列折叠，获得重组的Ξ维高 光谱数据输入矩阵。
[0029] 卷积神经网络通过多个不同的卷积核来提取每一层二维图像的特征信息，因而， 对于获得的每一个像元的光谱信息，需要折叠成一个表示此像元特征的特征图像，来对其 进行特征提取与运算。为保证折叠的可行性，需要对数据矩阵首先进行特征维扩维处理。
[0030] 1)设定光谱特征图矩阵的行数为ai，列数为bi。
[0031] 2)数据矩阵护"'X"。进行扩维处理后得到矩阵#'":|响雌>。
[0032] 3)对矩阵护心的每行元素进行折叠，对二维矩阵重组得到表征光谱信息的Ξ 维矩阵尸x6x'"i。重组折叠方法指定如下:若行ai小于等于列bi，则进行按列折叠;若列bi小于 行ai，则按列折叠后，再对矩阵追加一次转置操作。此时，对于标签数组中第i个元素以对应 的像元，其光谱特征信息存储在大小为aiXbi的特征图像矩阵_/,"iXh中。
[003引 4)对标签向量r'xi扩展成矩阵，其中对于向量中第i个元素，Li表示对 应像元的类别，矩阵F^^^l^""的第巧向量矿W中第1^1个元素为1，其余为0。
[0034] 通过本步骤，获得了网络的输入矩阵与输出矩阵r?ixw，为后续网络的参数 训练做好了准备。
[0035] 步骤Ξ:多层卷积网络结构参数与初始值的设定。
[0036] 1)设定网络的深度为P、迭代步数为k、初始迭代步数ki=l。
[0037] 2)设定卷积层与降采样层的特征子图参数S={si，s2，一，sp}。
[0038] 3)对卷积核权重WW进行随机值初始化，并初始化每层偏置bW = 〇,每层网络权重 梯度AWW = 0,偏置梯度AbW = 〇;设置学习率为α，误差限为er。
[0039] 通过本步骤，建立了卷积神经网络的整体模型，网络的初始权值与迭代参数得到 了初始化，并为后续迭代做好了准备。
[0040] 步骤四：利用前向传播与BP算法逐层计算特征与误差，并对网络权值与偏置进行 更新。
[0041] 卷积神经网络利用图像的位移不变性与旋转不变性，通过卷积核对输入层进行采 样映射得到输出特征，逐层构建卷积网络进行特征的提取，并采用BP算法对网络参数更新， 最终获得能够用于分类的网络模型与参数。
[0042] 1)将训练样本Γ-6χ"ι作为mi个输入送入网络，其中第j个像元数据矩阵· /f 6作为激 励坤|，通过卷积运算与激活函数逐层获得网络隐含层的激励：
[0045] 其中，第i层网络节点j的激励为，第i层网络所有节点激励经过线性加权得到 对应于第i+1层节点j的总加权输入zf?经过非线性函数f(.)映射从而获得该节点 的激励坤-"1。
[0046] 2)将第P层的激励响应xf与训练输入对应的输出yfw求差，从而获得隐层和输 出层的响应误差eW。通过误差反向传播计算各层节点残差，从而得到各层权重与偏置 的梯度，分别即
刚有：
[005。 其中，f'( ·)为f( ·)的导数。
[0052] 3)利用梯度下降公式逐级进行权重与