基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法技术

基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法，本发明专利技术涉及高光谱数据分类方法。本发明专利技术是要解决现有的高谱维的图像分析和识别精确度与实际应用的需求不匹配、数学模型不符合实际地物分布规律欠缺逻辑等的问题，而提出的基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法。该方法是通过步骤一、对高光谱原始数据进行预处理得到高光谱的谱向量，将高光谱的谱向量数据转换成为灰度图像数据；步骤二、通过卷积分类模型自主学习样本集中样本的纹理特征，对灰度图像数据样本进行分类。等步骤实现的。本发明专利技术应用于高光谱数据分类领域。

Hyperspectral data classification method based on convolution neural network for hyperspectral data conversion to grayscale

The invention relates to a hyperspectral data classification method based on a convolution neural network, which is a high spectral data classification method. The present invention is to solve the existing high spectrum image analysis and recognition accuracy dimension and the practical application does not match the needs of mathematical model, does not conform to the actual object distribution problems such as lack of logic, high spectral data classification method of hyperspectral data based on convolutional neural network is put forward to grayscale. The method is based on a step, hyperspectral original data processed by high spectral vector spectrum, spectral vector data is converted into gray image of hyperspectral data; step two, the classification model of autonomous learning by convolution texture samples samples, the classification of gray image data. Step by step. The invention is applied to the field of hyperspectral data classification.

【技术实现步骤摘要】

本专利技术涉及高光谱数据分类方法，特别涉及基于卷积神经网络的谱数据转灰度图的高光谱数据分类方法。
技术介绍
高光谱数据分类是高光谱遥感的一项应用，是利用所有物体都具有光谱特性，光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(HyperspectralImage)。且在同一光谱区物体反应的情况不同，同一物体对不同光谱的反应也有明显差别这一特点来对高光谱遥感数据进行分类。过去的高光谱数据分类方法主要通过以下两个思路：基于光谱匹配的影像分类、基于数据统计特性的分类。虽然通过这两个思路有很多的分类方法可以应用在高光谱遥感图像上，但是，在实际的应用和操作中，仍然显示了很多不足的方面，如训练成本高、高分辨率信息浪费、现有的高谱维的图像分析和识别精确度与实际应用的需求不匹配、数学模型不符合实际地物分布规律欠缺逻辑等问题。尤其是光谱维度的不断增加，使得现有的数据分析能力逐渐跟不上高谱维信息量的脚步。
技术实现思路
本专利技术的目的是为了解决现有的高谱维的图像分析和识别精确度与实际应用的需求不匹配、数学模型不符合实际地物分布规律且欠缺逻辑等问题，而提出的基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法。上述的专利技术目的是通过以下技术方案实现的：步骤一、对高光谱原始数据进行预处理得到高光谱的谱向量，将高光谱的谱向量数据转换成为灰度图像数据；步骤一一、对高光谱原始数据进行逐层归一化，得到归一化后的高光谱数据；步骤一二、抽取归一化后的高光谱数据中每一个像元的全波段值，将每一个像元的全波段值组成一维向量数据步骤一三、在归一化后的高光谱数据中其他像元重复步骤一二遍历，共提取出W×L个1×H的一维像元波谱向量即得到高光谱的谱向量；步骤一四、将高光谱的谱向量中每一个像元的波谱向量即1×H的一维向量均转置成为二维矩阵得到W×L个二维矩阵，并将W×L个二维矩阵保存成为含有W×L张灰度图片的样本集即灰度图像数据；步骤二、通过卷积分类模型自主学习样本集中样本的纹理特征，对灰度图像数据样本进行分类。专利技术效果本专利技术是基于卷积神经网络的谱数据转灰度图的高光谱数据分类方法，在高光谱图像分类任务中引入卷积神经网络的理论和模型，将光谱维向量数据转换成为灰度图形式的二维数据，并试图用图像化的语言去理解高光谱数据所携带的丰富信息量，对高光谱数据进行分类。该方法分类正确率高，对于充分利用高光谱信息和自主学习其抽象特征并进行分类有着重要的意义。将谱信息转换成为灰度图片信息可以将传统的向量形式的数据转换成为具有纹理特征的二维图像，其丰富的纹理特征可以很好的反应高光谱数据谱段间的数据变化，同时，将向量数据转换成为二维图像数据，可以避免为减少数据量所进行的降维操作。另一方面，利用卷积网络对转换后的纹理信息进行处理，可以通过多层卷积网络自主地学习数据所携带的抽象特征。此方法有助于在实现高光谱数据的正确分类的同时，提高分类的正确率、高光谱所携带的丰富信息的利用率。表4分别在KSC、PaviaU数据上使用CNN-灰度图、CNN-波形图、线性核支持向量机、RBF核支持向量机、PCA变换支持向量机、自动编码与逻辑回归SAE-LR方法进行分类，并对比分类结果。以上两个表格中给出了每一种方法分类的平均正确率和总体正确率，并分别给出了两个数据集中所有细分种类的分类正确率，为了使结果更清晰，在专利技术提出的分类方法取得最佳结果处用粗体进行显示。基于卷积神经网络的谱信息灰度图像的分类方法在PaviaU数据集上取得的正确率超越了基于支持向量机的分类方法；然而，在KSC数据集上的表现却差强人意，究其原因，在于所选择的网络层数和参数都是基于最稳定均衡来考虑，而不是在每一个数据集下取得的最优结果的网络层数和参数。另外，卷积神经网络是一个概率模型，其分类正确率大体随着分类种类的增加而减少。设计的优势(1)将一维数据转换成二维数据，可以容纳更大的数据量和光谱维度。(2)通过此方法，提高了高光谱图像的分类正确率。(3)利用GPU缩短了分类过程所用的时间。(4)利用深度卷积网络自主学习数据的抽象特征，避免使用欠缺逻辑的数据模型。本专利技术利用Matlab对数据进行预处理，将一维数据转换成为二维灰度图片数据，通过Caffe平台和Linux操作系统实现卷积神经网络模型对变换后的高光谱数据进行分类，并利用了GPU对实验进行加速，以减少庞大计算量带来的运算时间消耗，缩短分类所用时间。附图说明图1为具体实施方式一提出的基于谱信息灰度图分类方法的数据预处理过程示意图；其中，W为高光谱原始数据的宽度；L为高光谱原始数据的长度；H为高光谱原始数据的深度；a为二维矩阵的宽度；图2为实施例提出的各种方法在KSC数据集上的总体正确率随训练样本数变化折线图；图3为实施例提出的各种方法在PaviaU数据集上的总体正确率随训练样本数变化折线图；图4(a)为实施例提出的以Indianpines数据集为例，1号Alfalfa(紫花苜蓿)灰度图的可视化结果图；图4(b)为实施例提出的以Indianpines数据集为例，4号Corn(玉米)灰度图的可视化结果图；图4(c)为实施例提出的以Indianpines数据集为例，5号Grass-pasture(基层农场)灰度图的可视化结果图；图4(d)为实施例提出的以Indianpines数据集为例，6号Grass-trees(草-树木)灰度图的可视化结果图；图4(e)为实施例提出的以Indianpines数据集为例，7号Grass-pasture-mowed(草木草割)灰度图的可视化结果图；具体实施方式具体实施方式一：本实施方式的基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法，具体是按照以下步骤制备的：步骤一、对高光谱原始数据进行预处理得到高光谱的谱向量，将高光谱的谱向量数据转换成为灰度图像数据；(卷积神经网络的输入需要二维图像数据)，为将卷积神经网络应用在高光谱数据分类任务中；下面通过对数据预处理过程的解读来介绍基于卷积神经网络的谱信息转换成灰度图像的分类方法。数据预处理过程如图1所示：步骤一一、对高光谱原始数据进行逐层归一化，得到归一化后的高光谱数据；步骤一二、抽取归一化后的高光谱数据中每一个像元的全波段值，将每一个像元的全波段值组成一维向量数据步骤一三、在归一化后的高光谱数据中其他像元重复步骤一二遍历，共提取出W×L个1×H的一维像元波谱向量即得到高光谱的谱向量；高光谱图像数据分类是以像素为目标进行的，提取出的一维向量即代表了某像元在全波谱段的数据信息。步骤一四、将高光谱的谱向量中每一个像元的波谱向量即1×H的一维向量均转置成为二维矩阵得到W×L个二维矩阵，并将W×L个二维矩阵imwrite(imwrite是matlab中的一个函数)保存成为含有W×L张灰度图片的样本集即灰度图像数据，样本集中每一张图片代表了某像元的全波谱段信息，单张图片的某个像素点代表着该像元在特定波段下的数据值表征。整张图片的纹理特征极为明显，足以对该目标像元的数据信息进行表达，且其纹理特征也反应出了数据层间信息的变化；步骤二、通过卷积分类模型自主学习样本集中样本的纹理特征，对灰度图像数据样本进行分类。本实施方式效果：本实施方式是基于卷积神经网络的谱数据转灰度图的高光谱数据分类方法，在高光谱图像分本文档来自技高网...

【技术保护点】
基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法，其特征在于，该方法具体是按照以下步骤进行的：步骤一、对高光谱原始数据进行预处理得到高光谱的谱向量，将高光谱的谱向量数据转换成为灰度图像数据；步骤一一、对高光谱原始数据进行逐层归一化，得到归一化后的高光谱数据；步骤一二、抽取归一化后的高光谱数据中每一个像元的全波段值，将每一个像元的全波段值组成一维向量数据步骤一三、在归一化后的高光谱数据中其他像元重复步骤一二遍历，共提取出W×L个1×H的一维像元波谱向量即得到高光谱的谱向量；步骤一四、将高光谱的谱向量中每一个像元的波谱向量即1×H的一维向量均转置成为二维矩阵得到W×L个二维矩阵，并将W×L个二维矩阵保存成为含有W×L张灰度图片的样本集即灰度图像数据；步骤二、通过卷积分类模型自主学习样本集中样本的纹理特征，对灰度图像数据样本进行分类。

【技术特征摘要】
1.基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法，其特征在于，该方法具体是按照以下步骤进行的：步骤一、对高光谱原始数据进行预处理得到高光谱的谱向量，将高光谱的谱向量数据转换成为灰度图像数据；步骤一一、对高光谱原始数据进行逐层归一化，得到归一化后的高光谱数据；步骤一二、抽取归一化后的高光谱数据中每一个像元的全波段值，将每一个像元的全波段值组成一维向量数据步骤一三、在归一化后的高光谱数据中其他像元重复步骤一二遍历，共提取出W×L个1×H的一维像元波谱向量即得到高光谱的谱向量；步骤一四、将高光谱的谱向量中每一个像元的波谱向量即1×H的一维向量均转置成为二维矩阵得到W×L个二维矩阵，并将W×L个二维矩阵保存成为含有W×L张灰度图片的样本集即灰度图像数据；步骤二、通过卷积分类模型自主学习样本集中样本的纹理特征，对灰度图像数据样本进行分类。2.根据权利要求1所述基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法，其特征在于：步骤一一中所述对高光谱原始数据进行预处理具体为：对高光谱原始数据进行逐层归一化：norm(xi,jk)=xi,jk-m...

【专利技术属性】
技术研发人员：林连雷，魏长安，宋欣益，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23