基于3dcnn的高光谱图像空谱联合分类方法
【专利摘要】本发明涉及一种基于3DCNN的高光谱图像空谱联合分类方法，针对高光谱图像数据为三维结构的特点，构建适用于高光谱图像的三维卷积网络完成高光谱图像空谱联合分类。首先，从原始高光谱图像中，提取以待分类像元为中心的一定邻域范围内数据块作为初始空谱特征，并结合待分类像元的标签训练构建好的3DCNN网络。然后，利用经过训练的3DCNN完成高光谱图像空谱联合分类。有益效果在于：1)解决了现有的分类技术中需要进行谱空间降维或者压缩的复杂处理的问题；2)构建出适用于三维结构的高光谱图像数据的3DCNN，充分利用了高光谱图像丰富的信息并省去了人为预先设定特征的麻烦；3)基于3DCNN的高光谱图像空谱联合分类方法。4)提高了高光谱图像分类精度。
【专利说明】
基于3DCNN的高光谱图像空谱联合分类方法
技术领域
[0001] 本发明属于遥感信息处理技术领域，设及一种高光谱图像的分类方法，具体设及 一种基于3DO^N的高光谱图像空谱联合分类方法。
【背景技术】
[0002] 高光谱遥感图像光谱分辨率高、成像波段多、信息量大，在遥感应用领域得到广泛 应用。高光谱图像分类技术是高光谱图像处理技术中十分重要的内容，主要包含特征提取 及分类两部分，其中从原高光谱图像中提取用特征，该步骤对高光谱图像的分类精度影响 巨大:分类特征的鲁棒性强，能够大幅提高分类精度;相反，鲁棒性较差的分类特征则会明 显降低分类效果。
[0003] 近几年，深度学习在特征提取方面成绩显著，为提高高光谱图像分类精度，各种深 度模型被引入到高光谱图像的分类中来，并在谱特征的基础上，引入空间特征，利用深度学 习模型，自主提取高光谱图像的空谱特征，有效的提高了高光谱图像分类精度。
[0004] 然而，现有的运些利用深度模型提取高光谱图像空谱特征的运些方法，在提取空 谱特征时的做法十分复杂先，往往需要先对原高光谱图像进行谱空间上的降维，再将降维 之后的信息与谱信息结合得到空谱特征。降维处理计算量大，且损失了一定的谱信息，影响 精度。
【发明内容】
[0005] 要解决的技术问题
[0006] 为了避免现有技术的不足之处，本发明提出一种基于3DC順的高光谱图像空谱联 合分类方法，克服提取空间特征时需要进行复杂的谱空间降维等预处理，充分利用谱信息 及空间信息，结合深度学习自主学习的优势，自主抽取高光谱图像深度空谱特征，提高分类 精度。
[0007] 技术方案
[000引一种基于3DO^N的高光谱图像空谱联合分类方法，其特征在于步骤如下：
[0009] 步骤1:对输入高光谱图像数据进行归一化处理；
[0010] 步骤2、取原始空谱特征:从高光谱图像中提取W待分类像元为中屯、的nXnXL邻 域范围内的数据块PnXnXL，将该数据块作为位于数据块中屯、位置的像元的原始空谱特征；
[0011] 步骤3:在步骤2中提取出来的含有标签的数据中，随机抽取一半或少于一半的数 据作为训练3DO^N的数据
[0012] 步骤4:构建3DCNN的网络，网络整体结构分为两部分，第一部分包含一层输入层， 两层=维卷积层每层卷积层后连接激励操作层，激励操作层采用不饱和激励函数ReLU进行 激励操作;第二部分包含一层全连接层，一层SOf tmax分类层；网络整体结构包含屯层，网络 的整体运算包含前向运算，反向求导，卷积核更新=部分操作；
[0013]步骤5、利用训练数据对3DCNN进行训练:在网络训练数据上采用随机梯度下降法 训练网络参数，训练完成后该3DO^N能够自主提取高光谱图像的空谱特征并完成分类；
[0014]步骤6:将待分类的数据输入训练好的3DCNN，完成高光谱图像空谱联合分类。
[001引有益效果
[0016] 本发明提出的一种基于3DCNN的高光谱图像空谱联合分类方法，针对高光谱图像 数据为=维结构的特点，构建适用于高光谱图像的=维卷积网络完成高光谱图像空谱联合 分类。首先，从原始高光谱图像中，提取W待分类像元为中屯、的一定邻域范围内数据块作为 初始空谱特征，并结合待分类像元的标签训练构建好的3DCr^N网络。然后，利用经过训练的 3DCNN完成高光谱图像空谱联合分类。
[0017] 本发明的有益效果在于：1)解决了现有的分类技术中需要进行谱空间降维或者压 缩的复杂处理的问题;2)构建出适用于=维结构的高光谱图像数据的3DCNN，一方面充分发 挥了深度学习自主抽取特征的能力，另一方面自主提取深度特征，充分利用了高光谱图像 丰富的信息并省去了人为预先设定特征的麻烦;3)基于3DCr^N的高光谱图像空谱联合分类 方法，即扩展了深度学习的应用范围，也为高光谱图像分类提供了新思路。4)提高了高光谱 图像分类精度。
【附图说明】
[0018] 图1:基于3DO^N的空谱联合高光谱图像分类方法流程图
【具体实施方式】
[0019] 现结合实施例、附图对本发明作进一步描述：
[0020] 步骤1输入高光谱图像数据，依照公式对
对数据进行归一化操 作。其中XUs表示高光谱图像中的一个像元，i、j分别表示该像元位于高光谱图像中的坐标 位置，S表示高光谱图像的谱段，现有的高光谱图像一般包含100-240个谱段，X. .smax、X. .smin 分别表示表示=维高光谱图像在S波段的最大值和最小值。
[0021] 步骤2提取原始空谱特征，从高光谱图像中提取W待分类像元为中屯、的一定邻域 范围内的数据块PnXnXL，n表示邻域块的大小，一般取5或7，L表示谱段总数，数据块PnXnXL是n XnXL的=维结构，该数据块是位于数据块中屯、位置的像元的原始空谱特征。
[0022] 步骤3从步骤2中提取出来的数据中随机抽取一定量的含有标签的数据作为训练 3DO^N的数据，一般选取有标签数据总量的一半或少于一半的数据作为训练数据。
[0023] 步骤4构建3DC順并利用训练数据对3DCNN进行训练。网络整体结构分为两部分，第 一部分包含一层输入层，两层=维卷积层(第一层卷积层包含2个=维卷积核，第二层卷积 层包含四个S维卷积核，每层卷积核的空间维度设为3,光谱维度设为2-9)，每层卷积层后 连接激励操作层，激励操作层采用不饱和激励函数ReLU进行激励操作，该部分一共包含五 层网络。第二部分包含一层全连接层，一层SOftmax分类层，网络整体结构包含屯层。网络的 整体运算主要包含前向运算，反向求导，卷积核更新=部分操作：
[0024] 4a)前向运算主要分为卷积层前向运算，激励函数前向运算，分类器前向运算=部 分，其中中卷积层前向运算的公式为：
[0025]
[00%] 表示卷积运算之后，网络第i层，第j张特征图上(x，y，z)位置的值。Pi、化、I?1表 示卷积核空间维及光谱维的尺寸，k表示卷积核，為表示网络第i层未经卷积操作之前的数 据。
[0027]卷积层的前向操作完成之后利用不饱和的激励函数ReLU完成激励前向运算，公式 为：
[002引
[0029] 辟"激励操作之后(x，y，z)位置的值，最后一步分类器前向运算的公式为：
[0030]
[0031] 公式中C表示当前样本数据真实类别的编号，一共有D表示类别总数
[0032] 4b)反向求导对应于前向运算，也包含对卷积层的求导，对激励函数的求导，对分 类器的求导。对卷积层前向运算公式及激励函数前向运算公式求导按照基础的数学公式即 可推导出来，实际在写代码的过程中一般采取卷积的形式完成卷积层的求导过程，第=部 分对分类器的求导公式为：
[0033]
[0034] Od=。表示教师信号是一维度为D的一维向量，在当前真实类别编号为d，即d = c处取 值为1其余各处取值为0.
[0035] 4c)卷积核更新是在反向求导运算完成，计算出卷积核的偏导之后对卷积核进行 更新的一步操作，更新公式如下：
[0036]
[0037] ki+i = ki+vi+i
[003引 1表示迭代次数，e表示学习率，学习率一般选取0.01。
[0039] 步骤5在网络训练数据上采用随机梯度下降法训练网络参数，每次随机取20-100 个样本，每次随机选取样本的数量是根据待分类数据的类别数而定，一般选取待分类数据 类别数的整数倍，训练完成之后该3DO^N可自主提取高光谱图像的空谱特征并完成分类。
[0040] 步骤則尋待分类的数据输入训练好的3DCNN，完成高光谱图像空谱联合分类。
【主权项】
1. 一种基于3DCNN的高光谱图像空谱联合分类方法，其特征在于步骤如下： 步骤1:对输入高光谱图像数据进行归一化处理； 步骤2、取原始空谱特征:从高光谱图像中提取以待分类像元为中心的nXnXL邻域范 围内的数据块PnXnXL，将该数据块作为位于数据块中心位置的像元的原始空谱特征； 步骤3:在步骤2中提取出来的含有标签的数据中，随机抽取一半或少于一半的数据作 为训练3DCNN的数据 步骤4:构建3DCNN的网络，网络整体结构分为两部分，第一部分包含一层输入层，两层 三维卷积层每层卷积层后连接激励操作层，激励操作层采用不饱和激励函数ReLU进行激励 操作;第二部分包含一层全连接层，一层softmax分类层；网络整体结构包含七层，网络的整 体运算包含前向运算，反向求导，卷积核更新三部分操作； 步骤5、利用训练数据对3DCNN进行训练:在网络训练数据上采用随机梯度下降法训练 网络参数，训练完成后该3DCNN能够自主提取高光谱图像的空谱特征并完成分类； 步骤6:将待分类的数据输入训练好的3DCNN，完成高光谱图像空谱联合分类。
【文档编号】G06K9/62GK106022355SQ201610301687
【公开日】2016年10月12日
【申请日】2016年5月9日
【发明人】李映, 张号逵, 曹莹
【申请人】西北工业大学