本发明涉及高光谱图像
技术领域：
，尤其涉及一种基于改进深度学习模型的高光谱图像分类方法。
背景技术：
：高光谱图像的分类是高光谱遥感技术的核心内容之一，是遥感测绘领域和计算机视觉与模式识别等领域研究的重点。国内外应用在高光谱图像处理上有各种算法，基于光谱信息空间分类方面，主要分为统计模型分类方法与非参数分类方法。最初，统计模型的最大似然分类是传统遥感图像分类中应用最为广泛的分类方法，随后还有类似的基于马氏距离、最小距离等方法都是最大似然特定约束条件下的变形。非参数分类方法在一定程度提高了分类的准确率，主要有神经网络、基于核方法的分类如支持向量机(svm)以及支持向量机算法的变形等。在此，为解决高维信息难以处理等问题，对高光谱图像数据重构稀疏表达后与这些分类器方法相结合。这些分类器均可以用具有一个或两个隐含层的神经网络模拟，因此被称作浅层机器学习模型。随着深入的研究，人们发现采用深度学习的方法可以增加模型泛化能力与准确性。近几年国内外针对高光谱图像分类问题采用的方法主要是对高光谱图像采用pca降维后输入到深度学习模型，破坏了高光谱图像的光谱信息，分类准确性还有提高的空间。如2016年沈飞等人提出将高光谱数据稀疏化后输入到卷积神经网络，保留了空谱信息，易于模型处理，但分类的准确性没有明显的提高。2017年袁琳等人提出采用自动编码器与卷积神经网络相结合的模型对高光谱数据分类，能够自动提取非线性信息增加了分类精度，但也同时增加了模型的参数量，模型不稳定。技术实现要素：针对现有技术的缺陷，本发明提供一种基于改进深度学习模型的高光谱图像分类方法，实现了对高光谱图像中的地物进行精细分类。一种基于改进深度学习模型的高光谱图像分类方法，包括以下步骤：步骤1、构建集成深度学习网络模型，具体方法为：步骤1.1：通过构建卷积层和池化层提取图像特征，具体方法为：采用一个或多个卷积层与池化层交替构建提取图像特征，在卷积层，每个卷积核以一定的步长对图像提取不同特征，重复的作用于整个感受野中，每一个卷积核共享相同的参数，包括相同的权重矩阵和偏置项；卷积核上的每个神经元对局部进行感知，然后在更高层将局部信息综合起来得到全局信息，减少神经元之间的连接数，进而减少需要训练的权值参数，加快神经网络模型训练的速度；所述卷积层的构建公式如下式所示：其中，m＝1，2，3，...表示构建的集成深度学习网络模型的层数，c表示卷积层，p表示池化层，为第m层卷积层的输出结果，表示第m-1层池化层的输出结果，λm＝{wm，bm}为第m层卷积层参数项，wm为第m层卷积核权重，bm为第m层偏置项，σ()为激励函数，整个模型中激励函数使用batchnormalization函数，并通过mini-batch对相应的动作做规范化操作，固定模型中每层输入的均值与方差，保证整个模型的容纳能力，克服深度神经网络难以训练的弊病，防止梯度弥散；同时，模型中每一层的迭代使用多个小尺寸的卷积核，相当于一个大尺寸卷积核的功能，但比一个大尺寸卷积层有更多非线性且需要处理的参数少，使得构建的模型的判决函数更加具有判决性；所述池化层为对图像进行卷积后得到的图像的不同位置特征进行聚合统计，构建公式如下所示：其中，表示第m层池化层的输出结果，pool()为池化函数，其方法为计算图像一个区域上的某个特定特征的平均值average或最大值max；步骤1.2：多次随机抽取步骤1.1提取的图像特征构建多种分类模型，并根据不同的分类模型所得的分类结果进行聚合得到图像的最终分类结果，完成集成深度学习网络模型的构建，具体方法为：每一次随机抽取50％的图像特征，对多个随机抽取的图像特征采用不同的分类模型进行分类，使多个决策者共同决策一个实例的分类从而提高分类模型的泛化能力；所述每个分类模型均为采用不同的卷积层与池化层以不同卷积核大小、不同形式交替构建卷积神经网络模型，同时分类模型还包括常用的支持向量机svm分类器；由于各分类模型的全连接层参数冗余，每个分类模型使用全局平均池化替代全连接层，防止过拟合现象及避免对输入的测试图像需为固定大小的限制；最后对多个分类模型的分类结果进行聚合得到所有分类结果，对此投票，以少数服从多数的原则得到最终的图像分类结果，完成集成深度学习网络模型的构建；步骤2、对待分类的高光谱图像数据进行重构，具体方法为：待分类的高光谱图像为三维立体的数据结构ia，b，n，其中，二维平面(a，b)表示地物分布信息，第三维度n表示每类物体的光谱信息；将三维高光谱图像数据转换为二维矩阵ra×b，n，将位于三维高光谱图像(c，d)位置的像元转换为位于二维矩阵ra×b，n的c×d行，在没有破坏其光谱信息的同时保证高光谱图像像元的位置信息；然后再对二维矩阵ra×b，n中每一行光谱向量进行归一化处理并存储；同时，对图像中每个像元所属的类别标记标签；再对标签数据进行独热编码，其方法为使用n位状态寄存器来对n个状态进行编码，每个状态都有其独立的寄存器位，并且在任意时候，状态寄存器中只有一位有效，使数据稀疏，实现将标签维数扩展到高光谱重构数据维数，并使其一一对应，得到标签矩阵la×b，n；步骤3、将进行重构的高光谱图像数据ra×b，n，按行输入到步骤1构建的集成深度学习网络模型中，将每行输入的n列数据转换为二维矩阵pe，f，其中e×f＝n；转换后的二维矩阵pe，f与标签矩阵la×b，n输入到集成深度学习网络模型，并使用后向传播算法中的adam算法训练模型至最小误差，不断微调各层网络参数值，直至迭代完成，模型训练完毕，实现对高光谱图像上的地物进行精细分类。由上述技术方案可知，本发明的有益效果在于：本发明提供的一种基于改进深度学习模型的高光谱图像分类方法，结合集成学习的思想对卷积神经网络模型进行改进，减少了需要计算的参数量，提高了网络的稳定性及其泛化能力。同时对高光谱图像数据的重构增大了数据的稀疏性，且保留了高光谱图像的空谱信息，易于模型处理。针对高光谱图像，本发明的基于改进深度学习模型的高光谱图像分类方法仍然表现了良好的适应能力，得到了较高的分类准确率，实现了在大范围、多种类情况下，对高光谱图像中地物的精细分类。附图说明图1为本发明实施例提供的一种基于改进深度学习模型的高光谱图像分类方法的流程图；图2为本发明实施例提供的集成深度学习网络模型的结构框图；图3为本发明实施例提供的indianpines高光谱图像；图4为本发明实施例提供的使用svm分类器对indianpines高光谱图像进行分类后的分类效果图；图5为本发明实施例提供的使用cnn模型对indianpines高光谱图像进行分类后的分类效果图；图6为本发明实施例提供的使用基于改进深度学习模型的高光谱图像分类方法对indianpines高光谱图像进行分类后的分类效果图。具体实施方式下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。本实施例以indianpines高光谱数据集为例，使用本发明的基于改进深度学习模型的高光谱图像分类方法对该indianpines高光谱数据集中的地物进行分类。一种基于改进深度学习模型的高光谱图像分类方法，如图1所示，包括以下步骤：步骤1、构建集成深度学习网络模型，具体方法为：步骤1.1：通过构建卷积层和池化层提取图像特征，具体方法为：采用一个或多个卷积层与池化层交替构建提取图像特征，在卷积层，每个卷积核以一定的步长对图像提取不同特征，重复的作用于整个感受野中，每一个卷积核共享相同的参数，包括相同的权重矩阵和偏置项；卷积核上的每个神经元对局部进行感知，然后在更高层将局部信息综合起来得到全局信息，由此，减少神经元之间的连接数，进而减少需要训练的权值参数，加快神经网络模型训练的速度。卷积层的构建公式如下式所示：其中，m＝1，2，3，...表示构建的集成深度学习网络模型的层数，c表示卷积层，p表示池化层，为第m层卷积层的输出结果，表示第m-1层池化层的输出结果，λm＝{wm，bm}为第m层卷积层参数项，wm为第m层卷积核权重，bm为第m层偏置项，σ()为激励函数，整个模型中激励函数使用batchnormalization函数，并通过mini-batch对相应的动作做规范化操作，固定模型中每层输入的均值与方差，保证整个模型的容纳能力，克服深度神经网络难以训练的弊病，防止梯度弥散；同时，模型中每一层的迭代使用多个小尺寸的卷积核，相当于一个大尺寸卷积核的功能，但比一个大尺寸卷积层有更多非线性且需要处理的参数少，使得构建的模型的判决函数更加具有判决性。池化层为对图像进行卷积后得到的图像的不同位置特征进行聚合统计，构建公式如下所示：其中，表示第m层池化层的输出结果，pool()为池化函数，其方法为计算图像一个区域上的某个特定特征的平均值average或最大值max。步骤1.2：多次随机抽取步骤1.1提取的图像特征构建多种分类模型，并根据不同的分类模型所得的分类结果进行聚合得到图像的最终分类结果，完成如图2所示的集成深度学习网络模型的构建，具体方法为：每一次随机抽取50％的图像特征，对多个随机抽取的图像特征采用不同的分类模型进行分类，使多个决策者共同决策一个实例的分类从而提高分类模型的泛化能力。每个分类模型均为采用不同的卷积层与池化层以不同卷积核大小、不同形式交替构建卷积神经网络模型，同时分类模型还包括常用的支持向量机svm分类器；由于各分类模型的全连接层参数冗余，每个分类模型使用全局平均池化替代全连接层，防止过拟合现象及避免对输入的测试图像需为固定大小的限制；最后对多个分类模型的分类结果进行聚合得到所有分类结果，对此投票，以少数服从多数的原则得到最终的图像分类结果，完成集成深度学习网络模型的构建。步骤2、对待分类的高光谱图像数据进行重构，具体方法为：待分类的高光谱图像为三维立体的数据结构ia，b，n，其中，二维平面(a，b)表示地物分布信息，第三维度n表示每类物体的光谱信息；将三维高光谱图像数据转换为二维矩阵ra×b，n，将位于三维高光谱图像(c，d)位置的像元转换为位于二维矩阵ra×b，n的c×d行，在没有破坏其光谱信息的同时保证高光谱图像像元的位置信息；然后再对二维矩阵ra×b，n中每一行光谱向量进行归一化处理并存储。同时，对图像中每个像元所属的类别标记标签；再对标签数据进行独热编码，其方法为使用n位状态寄存器来对n个状态进行编码，每个状态都有其独立的寄存器位，并且在任意时候，状态寄存器中只有一位有效，使数据稀疏，实现将标签维数扩展到高光谱重构数据维数，并使其一一对应，得到标签矩阵la×b，n。步骤3、将进行重构的高光谱图像数据ra×b，n，按行输入到步骤1构建的集成深度学习网络模型中，将每行输入的n列数据转换为二维矩阵pe，f，其中e×f＝n。转换后的二维矩阵pe，f与标签矩阵la×b，n输入到集成深度学习网络模型，并使用后向传播算法中的adam算法训练模型至最小误差，不断微调各层网络参数值，直至迭代完成，模型训练完毕，实现对高光谱图像上的地物进行精细分类。本实施例所使用的indianpines高光谱数据集为一张规格为145*145，光谱范围为200nm的如图3所示的高光谱图像。该高光谱数据集如表1所示，其由16种庄稼组成，共10249个样本，其中有4个样本少的类别是比较难分的，从表中可以看出，该数据集多为一个物种不同的生长期类型。从中选取50％样本数据，即5124个像元样例作为训练样本，构建集成深度学习网络模型。表1indianpines高光谱数据集序号种类样本数1alfalfa462corn-notill14283corn-mintill8304corn2375grass-pasture4836grass-trees7307grass-pasture-mowed288hay-windrowed4789oats2010soybean-notill97211soybean-mintill245512soybean-clean59313wheat20514woods126515buildings-grass-trees-drives38616stone-steel-towers93本实施例构建的集成深度学习网络模型的参数为：使用两层3*3的卷积核、一层2*2最大池化层对图像提取特征，使用四个分类模型对随机选择的特征进行分类，第一个分类模型包括一层1*1的卷积核，一层全局平均池化层；第二个分类模型包括一层1*1的卷积核，一层3*3卷积核和一个全局平均池化层；第三个分类模型包括一个全局平均池化层和一个svm分类器；第四个分类模型包括是一层3*3的卷积核，一层1*1的卷积核和一个全局平均池化层。本实施例还提供一种cnn模型，其参数为：两层3*3卷积层，一层2*2步长为2的最大池化层，一层3*3卷积层，一层2*2步长为2最大池化层，一层3*3卷积层，一层最大池化层，最后连接一个全连接层。经训练样本对模型训练后，将indianpines数据集分别输入svm分类器、cnn分类模型和集成深度学习网络模型，分别得到如图4、图5和图6所示的分类效果图，从中可以看出改进的深度学习网络模型模型对于不同种类的地物，有较好的分类效果。其中，三种分类方法的分类结果如表2所示。表2各分类模型的总精度aa(％)和kappa系数表2与图4、图5和图6是相对应的，表2显示了三种分类模型的总精度aa和kappa系数，以及每种分类模型的像元数。从表中可以看出，无论是按分类精度还是kappa系数衡量，改进模型都表现出最好的性能，如类别2、类别3和类别4分别为玉米生长不同时期，采用改进模型能够实现针对一个物种的精细区分，得到很高的准确率。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。当前第1页12