多尺度CNN特征嵌入的多核学习高光谱图像分类方法

多尺度cnn特征嵌入的多核学习高光谱图像分类方法
技术领域
1.本技术涉及高光谱图像分类技术领域，特别是涉及一种多尺度cnn特征嵌入的多核学习高光谱图像分类方法。


背景技术：

2.随着光谱技术的飞速进步，高光谱图像在遥感领域的应用越来越广泛，在农学、地质学、环境学、军事等领域都有广阔的发展前景。由于高光谱图像具有“图谱合一”、维度高、数据信息冗余的特点，对高光谱图像的分类仍有较大的挑战。目前基于传统机器学习和深度学习的高光谱图像分类方法取得了不错的进展，但是应用于矿物识别、农作物精细分类、国防军事目标检测等领域时，检测效率较低。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够提高在应用于矿物识别、农作物精细分类、国防军事目标检测等领域时的检测效率的多尺度cnn特征嵌入的多核学习高光谱图像分类方法。
4.一种多尺度cnn特征嵌入的多核学习高光谱图像分类方法，其特征在于，所述方法包括：
5.将原始高光谱图像进行超像素分割，获得l个超像素分割图，所述超像素分割图带有超像素索引；
6.对所述原始高光谱图像进行光谱核提取，获得所述原始高光谱图像的光谱核；
7.采用加权平均滤波对l个所述超像素分割图进行特征提取，获得超像素间的空间核；
8.利用多尺度cnn对所述原始高光谱图像进行处理，获得不同尺度下的深度空间核；
9.将所述光谱核、所述超像素间的空间核和所述深度空间核重塑为一维列向量，获得多个一维列向量，并将多个一维列向量重构为二维矩阵；
10.对所述二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核；
11.将所述最优核作为支持向量机的核函数对所述原始高光谱图像进行分类，获得分类结果。
12.在其中一个实施例中，所述将原始高光谱图像进行超像素分割，获得l个超像素分割图，所述超像素分割图带有超像素索引的步骤，包括：
13.将原始高光谱图像进行pca处理，生成pca变换后的特征图像；
14.从所述pca变换后的特征图像中选择出前三个主成分特征图像，并设定超像素的个数l；
15.根据所述超像素的个数l，在所述主成分特征图像上采用熵率超像素算法生成l个带有超像素索引的超像素分割图。
16.在其中一个实施例中，所述对所述原始高光谱图像进行光谱核提取，获得所述原始高光谱图像的光谱核的步骤，包括:
17.将所述原始高光谱图像输入到径向基函数核中进行光谱核提取，获得所述原始高光谱图像的光谱核；
18.所述径向基函数核为：
19.k(xi,xj)＝exp(-||x
i-xj||2/2σ2)
20.中，k(xi,xj)为径向基函数，xi为第i个样本，xj为第j个样本，σ为径向基函数的窗口参数；
21.所述光谱核为：
[0022][0023]
其中，为光谱核，为原始高光谱图像中第i个像素，为原始高光谱图像中第j个像素。
[0024]
在其中一个实施例中，所述采用加权平均滤波对l个所述超像素分割图进行特征提取，获得超像素间的空间核的步骤，包括：
[0025]
步骤1：计算所述超像素分割图xi的所有像元光谱的平均值以及超像素xi的邻域超像素x
ij
中的所有像元光谱的平均值
[0026]
步骤2：根据所述平均值采用权值计算公式计算所述平均值的权值ω
i,j
，
[0027]
步骤3：根据所述权值ω
i,j
，采用加权平均计算公式，计算所述超像素分割图xi的加权平均像元光谱
[0028]
步骤4：将所述超像素分割图xi中的所有像元光谱替换为计算得到的所述加权平均像元光谱获得替换后的超像素分割图；
[0029]
对每个超像素分割图中都执行步骤1至步骤4的操作，最后将所有替换后的超像素分割图组合到一起，得到基于超像素间的空间特征图像；
[0030]
根据所述基于超像素间的空间特征图像进行计算，获得超像素间的空间核；
[0031]
所述超像素间的空间核的表达式为：
[0032][0033]
其中，为超像素间的空间核，为替换后的超像素分割图第i个像元光谱，为替换后的超像素分割图的第j个像元光谱。
[0034]
在其中一个实施例中，所述利用多尺度cnn对所述原始高光谱图像进行处理，获得不同尺度下的深度空间核的步骤，包括：
[0035]
分别选择3
×
3、5
×
5、7
×
7、9
×
9、11
×
11大小的卷积核作为不同尺度下的特征提取核；
[0036]
通过所述不同尺度下的特征提取核对所述原始高光谱图像的空间域上的每个像素进行卷积，获得各卷积后的像素，并将各卷积后的像素组合到一起，获得不同尺度下的深度空间特征图像；
[0037]
根据所述不同尺度下的深度空间特征图像进行计算，获得不同尺度下的深度空间核k
cnn3
、k
cnn5
、k
cnn7
、k
cnn9
、k
cnn11
。
[0038]
在其中一个实施例中，所述对所述二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核的步骤，包括：
[0039]
对所述二维矩阵按行进行pca变换，获得第一主成分列向量v
*
；
[0040]
采用重塑公式将第一主成分列向量v
*
按列进行重塑，获得原始核大小的最优核，重塑公式为：
[0041]k*
＝matrix(v
*
)
[0042]v*
＝pca(v
spec
,v
interspat
,v
cnn3
,v
cnn5
,v
cnn7
,v
cnn9
,v
cnn11
)
[0043]
其中，k
*
为最优核矩阵，v
spec
为k
spec
核矩阵向量化后得到的第一列向量，v
interspat
为k
interspat
核矩阵向量化后得到的第二列向量，v
cnn3
为k
cnn3
核矩阵向量化后得到的第三列向量，v
cnn5
为k
cnn5
核矩阵向量化后得到的第四列向量，v
cnn7
为k
cnn7
核矩阵向量化后得到的第五列向量，v
cnn9
为k
cnn9
核矩阵向量化后得到的第六列向量，v
cnn11
为k
cnn11
核矩阵向量化后得到的第七列向量，pca为主成分分析。
[0044]
上述多尺度cnn特征嵌入的多核学习高光谱图像分类方法，通过将原始高光谱图像进行超像素分割，获得l个超像素分割图，所述超像素分割图带有超像素索引，对所述原始高光谱图像进行光谱核提取，获得所述原始高光谱图像的光谱核；采用加权平均滤波对l个所述超像素分割图进行特征提取，获得超像素间的空间核；利用多尺度cnn对所述原始高光谱图像进行处理，获得不同尺度下的深度空间核；将所述光谱核、所述超像素间的空间核和所述深度空间核重塑为一维列向量，获得多个一维列向量，并将多个一维列向量重构为二维矩阵；对所述二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核；将所述最优核作为支持向量机的核函数对所述原始高光谱图像进行分类，获得分类结果。能够用于矿物识别、农作物精细分类、国防军事目标检测等领域，并快速有效的获得检测结果。
附图说明
[0045]
图1为一个实施例中多尺度cnn特征嵌入的多核学习高光谱图像分类方法的流程示意图。
具体实施方式
[0046]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0047]
在一个实施例中，如图1所示，提供了一种多尺度cnn特征嵌入的多核学习高光谱图像分类方法，以该方法可以应用于服务器，也可以应用于终端，下面以应用于服务器为例进行说明，包括以下步骤：
[0048]
步骤s220，将原始高光谱图像进行超像素分割，获得l个超像素分割图，超像素分割图带有超像素索引。
[0049]
步骤s240，对原始高光谱图像进行光谱核提取，获得原始高光谱图像的光谱核。
[0050]
步骤s260，采用加权平均滤波对l个超像素分割图进行特征提取，获得超像素间的空间核。
[0051]
步骤s280，利用多尺度cnn对原始高光谱图像进行处理，获得不同尺度下的深度空间核。
[0052]
步骤s300，将光谱核、超像素间的空间核和深度空间核重塑为一维列向量，获得多个一维列向量，并将多个一维列向量重构为二维矩阵。
[0053]
步骤s320，对二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核。
[0054]
步骤s340，将最优核作为支持向量机的核函数对原始高光谱图像进行分类，获得分类结果。
[0055]
其中，在训练支持向量机时，最优核也作为训练阶段的特征提取核，测试支持向量机时，最优核也作为测试阶段的特征提取核。
[0056]
上述多尺度cnn特征嵌入的多核学习高光谱图像分类方法，通过将原始高光谱图像进行超像素分割，获得l个超像素分割图，超像素分割图带有超像素索引，对原始高光谱图像进行光谱核提取，获得原始高光谱图像的光谱核；采用加权平均滤波对l个超像素分割图进行特征提取，获得超像素间的空间核；利用多尺度cnn对原始高光谱图像进行处理，获得不同尺度下的深度空间核；将光谱核、超像素间的空间核和深度空间核重塑为一维列向量，获得多个一维列向量，并将多个一维列向量重构为二维矩阵；对二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核；将最优核作为支持向量机的核函数对原始高光谱图像进行分类，获得分类结果。能够用于矿物识别、农作物精细分类、国防军事目标检测等领域，并快速有效的获得检测结果。
[0057]
在一个实施例中，将原始高光谱图像进行超像素分割，获得l个超像素分割图，超像素分割图带有超像素索引的步骤，包括：
[0058]
将原始高光谱图像进行pca处理，生成pca变换后的特征图像；从pca变换后的特征图像中选择出前三个主成分特征图像，并设定超像素的个数l；根据超像素的个数l，在主成分特征图像上采用熵率超像素算法生成l个带有超像素索引的超像素分割图。
[0059]
其中，pca表示主成分分析，全写是principal component analysis。超像素的个数l是根据主成分图像纹理的复杂程度来进行设置的，它的计算公式如下：
[0060]
l＝l
base
×rtexture
[0061][0062]
其中，l是超像素的个数，l
base
是基超像素的个数，r
texture
是纹理比率，n表示经过sobel滤波后的图像中的非零元素数量，n表示主成分图像中非零元素的数量。
[0063]
根据超像素的个数l，在主成分特征图像上采用熵率超像素算法生成l个带有超像素索引的超像素分割图，具体地：超像素分割首先在原始高光谱图像上构造一个图g＝(v，e)，其中，v为原始高光谱图像像素对应的顶点集，e为相邻像素之间成对相似点的边缘集。
然后，ers(entropy rate superpixel，熵率超像素方法)通过选择边a∈e的子集，将图分成l个连通的子图(每个子图对应一个超像素)。为了形成紧凑、均匀、平衡的超像素，在超像素分割的目标函数中加入熵速率项h(a)和平衡项b(
·
)如下：
[0064][0065]
其中，λ≥0，λ是为了控制h(a)和b(
·
)引入的权重，a是边集e的子集。
[0066]
在一个实施例中，对原始高光谱图像进行光谱核提取，获得原始高光谱图像的光谱核的步骤，包括：
[0067]
将原始高光谱图像输入到径向基函数核中进行光谱核提取，获得原始高光谱图像的光谱核；
[0068]
径向基函数核为：
[0069]
k(xi,xj)＝exp(-||x
i-xj||2/2σ2)
[0070]
中，k(xi,xj)为径向基函数，xi为第i个样本，xj为第j个样本，σ为径向基函数的窗口参数；
[0071]
光谱核为：
[0072][0073]
其中，为光谱核，为原始高光谱图像中第i个像素，为原始高光谱图像中第j个像素。
[0074]
在一个实施例中，采用加权平均滤波对l个超像素分割图进行特征提取，获得超像素间的空间核的步骤，包括：
[0075]
步骤1：计算超像素分割图xi的所有像元光谱的平均值以及超像素xi的邻域超像素x
ij
中的所有像元光谱的平均值其中，{x
i1
,x
i2
,
…
,x
ij
,
…
,x
ij
}是超像素xi的邻域超像素，j为超像素xi的邻域超像素个数；
[0076]
步骤2：根据平均值采用权值计算公式计算平均值的权值ω
i,j
。
[0077]
其中，权值计算公式为：
[0078][0079]
其中，h为尺度参数，是超像素xi中所有像元光谱的平均值，计算公式如下：
[0080][0081]
其中，x
ij
表示超像素xi中的第j个像元光谱，li表示超像素xi中像元个数。
[0082]
步骤3：根据权值ω
i,j
，采用加权平均计算公式，计算超像素分割图xi的加权平均像元光谱
[0083]
其中，加权平均计算公式为：
[0084][0085]
步骤4：将超像素分割图xi中的所有像元光谱替换为计算得到的加权平均像元光谱获得替换后的超像素分割图；
[0086]
对每个超像素分割图中都执行步骤1至步骤4的操作，最后将所有替换后的超像素分割图组合到一起，得到基于超像素间的空间特征图像；
[0087]
根据基于超像素间的空间特征图像进行计算，获得超像素间的空间核；
[0088]
超像素间的空间核的表达式为：
[0089][0090]
其中，为超像素间的空间核，为替换后的超像素分割图第i个像元光谱，为替换后的超像素分割图的第j个像元光谱。
[0091]
在一个实施例中，利用多尺度cnn对原始高光谱图像进行处理，获得不同尺度下的深度空间核的步骤，包括：分别选择3
×
3、5
×
5、7
×
7、9
×
9、11
×
11大小的卷积核作为不同尺度下的特征提取核；通过不同尺度下的特征提取核对原始高光谱图像的空间域上的每个像素进行卷积，获得各卷积后的像素，并将各卷积后的像素组合到一起，获得不同尺度下的深度空间特征图像；根据不同尺度下的深度空间特征图像进行计算，获得不同尺度下的深度空间核k
cnn3
、k
cnn5
、k
cnn7
、k
cnn9
、k
cnn11
。
[0092]
其中，{x
i1
,x
i2
,
…
,x
ij
,
…
,x
in
}是像元xi的邻域像元，n为邻域像元的个数，指邻域像元的个数由卷积核窗口大小决定,例如对于3
×
3的卷积核窗口，n＝9。通过多个卷积层在超像素图像的空间域上进行卷积，计算公式如下：
[0093][0094]
其中，为进行卷积计算后得到的像元xi的光谱向量，w
i,j
为权重，b为偏置，这里权重和偏置两个变量的值由卷积神经网络的前向-后向传播算法计算得到。
[0095]
对原始高光谱图像中的每个像元都执行上述卷积操作，最后将卷积计算得到的每个替换xi，得到不同尺度下的深度空间特征图像，进一步求得深度空间核，其表达式如下：
[0096][0097]
其中，为深度卷积核，为进行卷积计算后得到的像元xi的光谱向量，为进行卷积计算后得到的像元xj的光谱向量。
[0098]
当选择不同的卷积核大小，如3
×
3、5
×
5、7
×
7、9
×
9、11
×
11卷积核大小时，即求得不同尺度的深度空间核k
cnn3
、k
cnn5
、k
cnn7
、k
cnn9
、k
cnn11
，如：3x3卷积核得到的就是k
cnn3
,5x5
的卷积核得到的就是k
cnn5
，以此类推。
[0099]
在一个实施例中，对二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核的步骤，包括：
[0100]
对二维矩阵按行进行pca变换，获得第一主成分列向量v
*
；
[0101]
采用重塑公式将第一主成分列向量v
*
按列进行重塑，获得原始核大小的最优核，重塑公式为：
[0102]k*
＝matrix(v
*
)
[0103]v*
＝pca(v
spec
,v
interspat
,v
cnn3
,v
cnn5
,v
cnn7
,v
cnn9
,v
cnn11
)
[0104]
其中，k
*
为最优核矩阵，v
spec
为k
spec
核矩阵向量化后得到的第一列向量，v
interspat
为k
interspat
核矩阵向量化后得到的第二列向量，v
cnn3
为k
cnn3
核矩阵向量化后得到的第三列向量，v
cnn5
为k
cnn5
核矩阵向量化后得到的第四列向量，v
cnn7
为k
cnn7
核矩阵向量化后得到的第五列向量，v
cnn9
为k
cnn9
核矩阵向量化后得到的第六列向量，v
cnn11
为k
cnn11
核矩阵向量化后得到的第七列向量，pca为主成分分析。
[0105]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0106]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0107]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。