本发明涉及高光谱影像分类技术，特别是涉及一种基于重叠池化的高光谱遥感影像分类方法。
背景技术：
高光谱影像(hsi)数据是同时包括空间和数百个光谱带信息在内的持续数据。利用丰富的光谱信息，高光谱数据分类已经应用在诸如土地利用，矿物勘探，水污染检测等诸多方面。其在相同的空间区域内包含数百个光谱带的特点，可以获得连续的光谱值并分辨许多不同的地物，为识别各种材料提供了有价值的信息。然而，由于在某些波段频谱范围内不同地物之间光谱值差别很小，并且传统方式往往省略了空间特征，这就增加高光谱分类难度。
近来，由于深度学习模型可以学习越来越复杂的深层次特征结构，基于深度学习的遥感影像分析方法越来越受到重视，并被广泛应用于hsi应用领域。卷积神经网络(cnn)由交替堆叠的卷积层和池化层组成。卷积层是通过线性卷积滤波器提取特征图。池化层是将相邻像素的空间特征组合在一起，用于实现图像变换的不变性，提高物体轻微变形的鲁棒性。cnn具有本地连接和共享权重的优点，使其有更少的链接、参数，且更容易训练。另外，其学习能力可以通过控制网络的深度和宽度来调整。因此，cnn凭借其对hsi的光谱及空间特征的强大提取能力，在高光谱影像上的分类应用越来越多，且取得不错的成绩。然而，cnn模型的池化方式多采用非重叠池化，忽略hsi中邻近像素对特征提取的影响，造成模型分类精度受到限制。
技术实现要素：
发明目的：本发明的目的是针对现有基于非重叠池化的cnn模型在his分类应用上的不足，提出一种基于重叠池化的高光谱遥感影像分类方法。
技术方案：本发明所述的基于重叠池化的高光谱遥感影像分类方法，包括以下步骤：
s1：选取高光谱遥感图像数据集；
s2：对步骤s1得到的高光谱遥感图像数据集进行预处理；
s3：确定感兴趣的地物类别数，构建训练样本集和测试集；
s4：构建基于重叠池化的卷积神经网络模型；
s5：用步骤s4所构建的模型对步骤s2预处理得到的数据集进行分类，并对分类结果进行分析评价。
进一步，所述步骤s2中，预处理为：将高光谱遥感图像数据集中每一个一维形式的像素点光谱矢量转化为二维矩阵的形式。使得步骤s4中的卷积网络不仅可以学习到数据集的光谱特征，还能学习到其空间特征，从而提高网络整体性能，有利于分类精度的提高。
进一步，所述步骤s4中，卷积神经网络模型包括block1、block2、block3和block4这4个块，以及1个全连接层。
进一步，其中，block1包括卷积层、最大池化层和修正线性激活层，block2包括卷积层、relu层和平均池化层，block3包括卷积层、relu层和平均池化层，block4包括卷积层和relu层。据相关理论，特征提取的误差主要来自两个方面：邻域大小受限造成的估计值方差增大；卷积层参数误差造成估计均值的偏移。而最大池化可以减小第二种误差，平均池化能减小第一种误差，将两种池化方式组合即重叠池化，能够提高分类精度和加速特征的学习，并在一定程度上减轻过拟合问题。
进一步，所述步骤s5中，采用softmax-loss分类模型完成数据集的分类，采用总体分类精度和卡帕系数来评估模型的分类性能。该模型具有计算步骤少、计算量小的特点，使得输出数值更为稳定，有利于分类精度的提高。
有益效果：本发明公开了一种基于重叠池化的高光谱遥感影像分类方法，与现有技术相比，本发明具有如下有益效果：
1)在cnn模型中，通过引入重叠池化操作，在池化输出特征中加入了邻近像素的空间维度信息，提高采样的准确性和网络分类精度，并在一定程度上减少了过拟合问题；
2)设计出深度高达13层的深度卷积神经网络结构，加入relu层和softmax-loss分类模型，以提高网络模型性能，对于多种高光谱数据集都有高性能表现；
3)将一维的像素点光谱矢量转换为二维形式输入cnn模型，使得不同标签之间的差异更为明显，对高光谱数据的空间特征的提取更为准确，从而大幅提高模型即本发明的分类精度。
附图说明
图1为本发明具体实施方式的神经网络结构的示意图；
图2为本发明具体实施方式中步骤s2的数据预处理的示意图。
具体实施方式
下面结合具体实施方式和附图，对本发明的技术方案做进一步的介绍。
本具体实施方式公开了一种基于重叠池化的高光谱遥感影像分类方法，其神经网络结构如图1所示，包括以下步骤：
s1：选取高光谱遥感图像数据集。本实施例选取了两个数据集，其一为aviris(airbornevisible/infraredimagingspectrometer)于1992年6月在印第安纳州西北部拍摄的一幅高光谱遥感影像，影像是一块有农田与树林混合的遥感实验区，即indianpines测试区。影像尺寸为145×145，空间分辨率为每像素20米，在丢弃受大气吸收影响的四个零频带和20个较低的信噪比(snr)频带之后，保留了200个光谱带，数据集包含10249个标记的像素和16个真实地物类别，其中大部分是不同类型的农作物。其二为salinas数据集，它是由aviris传感器在加利福尼亚谷的salinas收集的，空间分辨率为每像素3.7米，该区域包括512×217像素，除去20个吸水带后，保留224个带中的204个光谱带，地面实况由54129个像素和16个土地覆盖类别组成，包括蔬菜，裸露土壤和葡萄园。
s2：对步骤s1得到的高光谱遥感图像数据集进行预处理。如图2所示，把一维光谱矢量数据转换为二维矩阵形式的数据，indiapines数据与salinas数据的输入尺寸均为14*14
s3：确定感兴趣的地物类别数，构建训练样本集和测试集。分别取indianpines数据集和salinas数据集中10％的标记样本作为训练样本集，其余标记样本为测试集，如表1-2所示。
表1indianpines数据集的土地覆盖类型、训练集、测试集
表2salinas数据集的土地覆盖类型、训练集、测试集
s4：构建基于重叠池化的卷积神经网络模型。如图1为模型的网络结构，卷积神经网络模型包括block1、block2、block3和block4这4个块，以及1个全连接层。其中，block1包括卷积层、最大池化层和修正线性激活层，block2包括卷积层、relu层和平均池化层，block3包括卷积层、relu层和平均池化层，block4包括卷积层和relu层。在模型中使用随机梯度下降法来训练网络，输入批次大小为100，迭代次数为100次，权值衰减为0.0001。权值衰减可以有效的抑制网络的过拟合问题，权值衰减惩罚项使得权值收敛到较小的绝对值，而惩罚大的权值，因为大的权值会使得系统出现过拟合，降低其泛化性能。此外，对学习率采用梯度下降的方式进行设置：[0.05*500.005*300.0005*20]，随着训练批次增加，学习率也随之下降一个数量级。
s5：用步骤s4所构建的模型对步骤s2预处理得到的数据集进行分类，并对分类结果进行分析评价。采用softmax-loss分类模型完成数据集的分类，并用总体精度(oa)和卡帕系数(kappa)来评估模型分类性能。实验结果如表3所示。
表3重叠池化与非重叠池化分类性能
由上表可知，重叠池化结构相比较于传统的非重叠池化会带来更高的特征提取精度和更快的网络学习速度。indianpines数据准确率提高了2.18％，salinas数据集提高0.61％。
为了进一步说明本发明的有效性，这里将本发明的方法分别与k-nn分类算法、svm分类算法、基于径向基内核的svm算法和经典cnn模型进行分类性能比较。分类性能通过总体精度(oa)和卡帕系数(kappa)进行评估。其中k-nn算法基于matlab2014b实验环境实现；svm与rbf-svm基于matlab工具箱libsvmtoolbox实现，并参数调节到最优；lenet-cnn是基于lenet5网络模型改进而来。表4中的所有性能评价指标都是在相同的训练和测试数据集上计算得来，实验次数在10次以上并取平均值。
表5基于hsi数据集的各个算法分类精度
经过对比，可以直观地得出：本发明基于重叠池化的高光谱遥感影像分类方法可以提高网络在分类应用中的精度，使得网络提高了对特征学习的准确度，并在一定程度上抑制过拟合的发生。