i个滤波器；该第3层包含L2个滤波器；该第4层包含100个结点 单元；该第五层输出训练样本的类标。
[0047] 6b)训练5层深度卷积网络，其步骤如下：
[0048] 6bl)使用脊波函数初始化两个卷积层的滤波器，BP:
[0049] 首先，对连续脊波函数的尺度参数a、位移参数b以及方向参数0进行离散 化：设尺度参数a的取值范围为aG(〇, 3]，离散化间隔为1，方向参数0的取值范围为 0G[0, 31)，离散化间隔为JT/18,位移参数b的取值范围如下式所示：
[0051] 然后，根据深度卷积网络中第2层和第3层设定的滤波器，和上述离散化的参数， 得到一个包含有K个滤波器的滤波器组，K为该滤波器组中滤波器的个数；
[0052] 最后，从滤波器组中分别随机选择LJPL2个滤波器，作为上述深度卷积网络第2 层和第3层滤波器的初始值，其中L1 <K，L2<K;
[0053] 6b2)将每一个归一化的训练样本正方形图像块FM乍为输入层的输入，经过前向传 播，得到网络的输出类标；
[0054] 6b3)将网络输出类标和训练样本真实类标的最小均方误差作为代价函数；
[0055] 6b4)采用反向传播算法最小化代价函数，得到训练好的网络参数。
[0056] 步骤7,提取测试样本的光谱信息和空间信息。
[0057] 7a)将步骤1输入的高光谱图像中剩余90%的像素作为测试样本；
[0058] 7b)提取测试样本的光谱信息：设步骤1中输入的高光谱图像的光谱维数为V，对 每一个测试样本，提取该测试样本每一维的光谱值，组成光谱向量fq，q= 1，...，Q，Q是测 试样本的个数，光谱向量fq的维数为V;
[0059] 7c)提取测试样本的空间信息：在步骤2中降维后的图像中的每一个分量图上，以 每个测试样本为中心，选取7X7大小的窗口，得到该测试样本在分量图上的空间信息n1，i =I,. . . , 4 ；
[0060] 7d)按照步骤5中方法，将每个测试样本的空间信息和n1，i= 1，. . .，4光谱向量 r组成一个测试样本正方形图像块，并对该测试样本正方形图像块进行归一化，得到归一 化的测试样本正方形图像块p，q= 1，. . .，Q，Q是测试样本的个数。
[0061] 步骤8,将归一化的测试样本正方形图像块P输入到步骤6中训练好的网络中，进 行前向传播。
[0062] 所述的前向传播过程为：
[0063] 首先，将归一化的测试样本正方形图像块P与第2层的滤波器进行卷积，得到第2 层输出的特征图；
[0064] 接着，用第2层输出的特征图与第3层的滤波器进行卷积，得到第3层输出的特征 图；
[0065]然后，将第3层输出的特征图输入到第4层，经过第4层的计算得到第4层的输 出；
[0066] 最后，将第4层的输出输入到第5层的softmax分类器中得到测试样本的类标值， 完成分类。
[0067] 本发明的效果可以用下列的仿真实验进一步说明：
[0068] (1)仿真条件
[0069] 本发明的仿真的硬件条件为：windowsXP，SPI，CPUPentium(R)4,基本频率为 2. 4GHZ;软件平台为：MatlabR2012a;
[0070] 仿真选用的图片来源是PaviaUniversity的高光谱图像，该图像中共有9类地 物，如图2(a)所示，图2(b)为图2(a)对应的类标图像。
[0071] 表1中的数据是对该图像中每一类地物选择的训练样本和测试样本的数目。
[0072]表1
[0073]
[0074] 仿真方法分别用本发明方法和现有的PCA、稀疏PCA、IFRF、EPF和NMFL方法。
[0075] (2)仿真内容及结果
[0076] 仿真1，用本发明和所述现有的五种方法对图2(a)进行分类仿真，结果如图3,其 中：
[0077] 图3 (a)是用PCA方法的分类结果图，
[0078] 图3 (b)是用稀疏PCA方法的分类结果图，
[0079] 图3 (c)是用IFRF方法的分类结果图，
[0080] 图3 (d)是用EPF的方法分类结果图，
[0081] 图3 (e)是用NMFL方法的分类结果图，
[0082] 图3(f)是用本发明方法的分类结果图。
[0083] 从图3(a)_3(f)的分类结果图可见，本发明的分类方法精度和分类效果更好。
[0084] 仿真2,用本发明脊波初始化卷积层滤波器的方法和现有随机初始化方法及高斯 初始化方法这两种初始化方法对图2(a)进行分类仿真，得到如图4所示的误差下降图。图 4的横坐标是迭代次数，纵坐标是训练样本的输出类标和真实类标的最小均方误差，随着迭 代次数的增加，最小均方误差值逐渐减小。
[0085] 从图4中可以看出，本发明的误差曲线具有更快的下降速率，能够以最小的计算 时间达到较好的分类精度。
[0086] 以上实验结果表明：与现有技术的技术相比，本发明在解决高光谱图像分类问题 中的自适应学习特征问题上，具有明显的优势，并且缩短了计算时间。
【主权项】
1. 基于脊波和深度卷积网络的高光谱图像分类方法，包括如下步骤： 1) 输入一幅高光谱图像和该图像中地物信息的类标，从该高光谱图像中选择10%的 像素作为训练样本； 2) 提取训练样本的光谱信息：沿着高光谱图像光谱的维度，提取每一个训练样本的光 谱信息，组成光谱向量f°, j = 1，...，J，J是训练样本的个数； 3) 对高光谱图像进行降维处理，保留前4个主分量，组成降维后的图像； 4) 提取训练样本的空间信息：以每个训练样本为中心，在降维后的图像中每一维上， 选取7X7大小的窗口，得到该样本在该维上的空间信息￥，i = 1，...，4 ; 5) 将每一个训练样本的空间信息g/和光谱向量f]组成一个正方形的训练样本图像 块，并对该图像进行归一化，得到归一化后的训练样本正方形图像块F ]; 6) 构造一个5层的深度卷积网络，并用归一化后的训练样本正方形图像块FM乍为该卷 积网络的输入，对该网络进行训练，得到训练好的网络； 7) 将高光谱图像中剩余90%的像素作为测试样本，提取每一个样本的光谱向量Γ，以 及空间向量n1，i = 1，...，4,组成一个正方形的测试样本图像块，并对该图像块进行归一 化，得到归一化后的测试样本正方形图像块Γ，q = 1，...，Q，Q是测试样本的个数； 8) 将归一化后的测试样本正方形图像块Γ输入到步骤6)训练好的网络中，根据网络 中训练好的参数值，得到该样本的类标值，完成分类。2. 根据权利要求1所述的基于脊波和深度卷积网络的高光谱图像分类方法，其中所述 步骤5)中将每一个训练样本的空间信息g/，i = 1，...，4和光谱向量组成一个正方形的 图像块，按如下步骤进行： 5a)将4个7X7大小的代表图像空间信息的图像块i = 1，...，4拼成一个大小为 14*14的空间信息正方形图像块5b)将光谱向量重新排列成一个大小为!1*12的长方形图像块F，H为长方形图像块 的长，12为长方形图像块的宽，H*12= V，其中V为光谱向量的维数； 5c)在空间信息正方形图像块G中随机选取一个大小为（H-HMH-I2)的图像块B，根 据该图像块B和空间信息正方形图像块G及光谱信息长方形图像块F，构建大小为H*H的训 练样本正方形图像块：。3. 根据权利要求1所述的基于脊波和深度卷积网络的高光谱图像分类方法，其中所述 步骤6)中的5层深度卷积网络，其第1层为输入层，第2层和第3层为卷积层，第4层为全 链接层，第5层为softmax分类器； 所述第1层的输入为训练样本正方形图像块F]; 所述第2层包含L1个滤波器； 所述第3层包含L2个滤波器； 所述第4层包含100个结点单元； 所述第五层输出训练样本的类标。4. 根据权利要求1所述的基于脊波和深度卷积网络的高光谱图像分类方法，其中所述 步骤6)中对5层深度卷积网络进行训练，其步骤如下： 6a)使用脊波函数初始化两个卷积层的滤波器； 6b)将每一个归一化后的训练样本正方形图像块FM乍为输入层的输入，经过前向传播， 得到网络的输出类标； 6c)将网络输出类标和训练样本真实类标的最小均方误差作为代价函数； 6d)采用反向传播算法最小化代价函数，得到训练好的网络参数。5. 根据权利要求4所述的基于脊波和深度卷积网络的高光谱图像分类方法，其中所述 步骤6a)中使用脊波函数初始化两个卷积层的滤波器，按照如下步骤进行： 6al)对连续脊波函数的参数进行离散化： 所述连续脊波函数式为，其中（Xl，X2)是滤波器的坐 标值，a是尺度参数，b是位移参数，Θ是方向参数，φ (X)是小波函数，设尺度参数a的取值范围为ae (〇,3]，离散化间隔为1，方向参数Θ的取值 范围为Θ e [〇, π )，离散化间隔为π /18,位移参数b的取值范围如下式所示： [h e [0, a X (sin O + cos ?/)"| 0 e [0. π / 2) ; .川，离散化间隔为1; [h e [? xcosi/./? xsm 0\ U e [π, 2,π) 6a2)根据深度卷积网络中第2层和第3层设定的滤波器，和步骤6al)中设置的参数， 得到一个包含有K个滤波器的滤波器组，K为该滤波器组中滤波器的个数； 6a3)从滤波器组中分别随机选择LJP L 2个滤波器，作为上述深度卷积网络第2层和 第3层滤波器的初始值，其中L1 < K，L 2< K。
【专利摘要】本发明公开了一种基于脊波和深度卷积网络的高光谱图像分类方法，主要解决现有技术对高光谱图像分类精度低和计算复杂度高的问题。其实现步骤为：1.在高光谱图像中选择训练样本；2.提取训练样本的光谱信息和空间信息；3.结合光谱信息和空间信息组成训练样本集；4.构造五层深度卷积网络，并设计脊波滤波器对网络进行初始化；5.利用训练样本集训练构造的神经网络；6.对其余样本用训练好的神经网络进行分类，完成图像分类。本发明具有分类精度高和分类速度快的优点，可用于到气象监测、环境监测、城市规划以及防灾减灾。
【IPC分类】G06K9/62
【公开号】CN105069468
【申请号】CN201510451326
【发明人】刘芳, 石程, 郝红侠, 焦李成, 李玲玲, 尚荣华, 马文萍, 杨淑媛, 马晶晶
【申请人】西安电子科技大学
【公开日】2015年11月18日
【申请日】2015年7月28日