一种高光谱遥感图像的分类方法、设备及存储设备技术

本发明专利技术提供了一种高光谱遥感图像的分类方法、设备及存储设备，一种高光谱遥感图像的分类方法，通过对高维的高光谱遥感图像进行降维处理，结合样本数据对深度森林分类模型的训练，再通过训练好的深度森林分类模型达到对高光谱遥感图像精确、快速地分类的目的；一种高光谱遥感图像的分类设备及存储设备，用于实现一种高光谱遥感图像的分类方法。本发明专利技术的有益效果是：通过使用深度森林算法对高光谱遥感图像进行分类，提高了深度森林分类模型的分类精度和分类速度，且本发明专利技术提供的方法中涉及参数少，易调节，大大提高了高光谱遥感图像的分类效果和实用性。

【技术实现步骤摘要】
一种高光谱遥感图像的分类方法、设备及存储设备
本专利技术涉及高光谱遥感图像分类领域，尤其涉及一种高光谱遥感图像的分类方法、设备及存储设备。
技术介绍
高光谱遥感图像具有波段众多、光谱分辨率高、维度高、数据量庞大等特点，由于其能够准确地反应地物的空间信息和光谱信息，已广泛应用于地质勘探、资源调查、城市规划、环境灾害监测等领域，受到了各个国家的广泛应用和研究。在高光谱遥感图像分类过程中,传统的分类方法有支持向量机分类法、人工神经网络分类法以及决策树分类法等。由于遥感器空间分辨力限制以及自然界地物信息的复杂多样性，高光谱遥感图像训练样本的获取需要经过实地考察和专家人工标记，这使得获取高光谱遥感图像训练样本的代价高而效率低。但仅在有限的训练样本上进行学习，对于分类模型而言往往出现训练速度慢、不稳定、精度不高等问题。随着近几年以深度神经网络为主导的深度学习领域的火热发展，许多深度模型被应用于高光谱遥感图像分类中。常用的方法有卷积神经网络分类法、K最近邻分类法、循环和递归神经网络分类法等。但这些方法不仅依赖于大量的训练样本，而且还存在结构复杂、调参麻烦、鲁棒性不强等问题。
技术实现思路
为了解决上述问题，本专利技术提供了一种高光谱遥感图像的分类方法、设备及存储设备，一种高光谱遥感图像的分类方法，主要包括以下步骤：S101：对高光谱遥感图像中的数据进行处理，去除掉所述高光谱遥感图像中的无效数据；S102：对经过数据处理后的高光谱遥感图像进行降维处理，形成原始待分类的高光谱遥感图像；S103：对所述原始待分类的高光谱遥感图像进行数据的归一化处理，得到待分类的高光谱遥感图像；S104：根据所述待分类的高光谱遥感图像得到样本数据；S105：将所述样本数据输入到深度森林分类模型中，对所述深度森林分类模型进行训练；S106：当所述深度森林分类模型训练完成后，利用训练后的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类，并得到所述高光谱遥感图像的分类结果。进一步地，在步骤S101中，所述高光谱遥感图像为3维张量形式。进一步地，在步骤S102中，高光谱遥感图像包括光谱信息和空间信息，针对高光谱遥感图像的光谱信息，通过主成分分析法进行降维，将3维张量形式转化为2维矩阵形式，取2维矩阵形式中的数据中的一个像素点，作为一个实例，将这个实例拉伸，转化为一个1维向量作为原始待分类的高光谱遥感图像光谱数据；针对高光谱遥感图像的空间信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，并将图像块的前95％的主成分作为特征向量，然后通过多粒度扫描结构，对所述特征向量进行滑动取样，取样结果作为原始待分类的高光谱遥感图像空间数据；针对高光谱遥感图像的空谱结合信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，然后使用多粒度扫描结构对邻域块进行滑动取样，再串接上光谱信息特征，得到的结果作为原始待分类的高光谱遥感图像空谱结合数据。进一步地，在步骤S104中，所述样本数据，可以是随机选取所述待分类的高光谱遥感图像中的部分数据或者全部数据。进一步地，在步骤S105中，所述深度森林分类模型采用级联结构进行连接，每一层森林则为决策树的集成；所述深度森林分类模型自动确定深度森林级联的层数，其自动确定深度森林级联的层数的方法为：每个森林通过k折交叉验证生成类向量，即每个样本数据作为k-1次的训练样本，产生k-1个类向量，并根据所述待分类的高光谱遥感图像得到验证数据，当拓展产生新的一层森林时，整个深度森林框架的性能会根据验证数据进行评估，如果整个深度森林框架的性能没有明显改善，则深度森林的层数不再增加；在所述深度森林分类模型的训练过程中，每层使用q个随机森林和P个完全随机森林，第一层将产生(q+P)×C个特征，产生的特征向量将与原始特征向量连接并输入到下一级，其中，C为分类预期类别个数；之后的每一层与此类似，直至倒数第二层；其中，所述深度森林是指：一种基于决策树的深度学习模型，通过对决策树组成的森林进行集成并前后串联起来达到表征学习的效果，每层森林之间采用级联的构架，所述决策树是指：一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别，决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系；所述随机森林是指：利用多棵决策树对样本数据进行训练并预测的一种分类器，每棵树的产生方法：在整个特征空间中随机选择个特征作为候选特征，其中，d为输入特征的个数，然后选择具有最佳Gini值的特征作为节点的分裂特征；所述完全随机森林是指：利用多棵决策树对样本进行训练并预测的一种分类器，所述完全随机树森林中每棵树的产生方法：在整个特征空间中随机选择1个特征作为节点的分裂特征；所述Gini值是指：基尼系数，在决策树之CART算法中用Gini指数来衡量数据的不纯度或者不确定性，同时用Gini指数来决定类别变量的最优二分值的切分问题。进一步地，取所述深度森林分类模型中最后一层森林的结果的平均值中的最大值作为所述深度森林分类模型输出的分类结果所对应的类别：Fin(c)＝Maxy{Ave.m[c11,c12,...,c1y,c21,c22,...,c2y,...cm1,cm2,...,cmy]}，其中，m为随机森林的个数，y为该数据集的类别的个数，c为数据集的分类的类别，Fin(c)为所述深度森林分类模型输出的分类结果，Maxy为所述深度森林分类模型中最后一层森林的结果的平均值中的最大值，Ave.m为所述深度森林分类模型中最后一层森林的结果的平均值。一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现一种高光谱遥感图像的分类方法。一种高光谱遥感图像的分类设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种高光谱遥感图像的分类方法。本专利技术提供的技术方案带来的有益效果是：通过使用深度森林算法对高光谱遥感图像进行分类，提高了深度森林分类模型的分类精度和分类速度，且本专利技术提供的方法中涉及参数少，易调节，大大提高了高光谱遥感图像的分类效果和实用性。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例中一种高光谱遥感图像的分类方法的流程图；图2是本专利技术实施例中所述深度森林分类模型图解的示意图；图3是本专利技术实施例中基于深度森林分类模型的高光谱遥感图像的光谱信息的分类示意图；图4是本专利技术实施例中高光谱遥感图像的空间信息中选取图像块的示意图；图5是本专利技术实施例中高光谱遥感图像的空间信息中选取图像块和串接光谱信息的示意图；图6是本专利技术实施例中图4和图5中所述多粒度扫描结构的示意图；图7是本专利技术实施例中硬件设备工作的示意图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。本专利技术的实施例提供了一种高光谱遥感图像的分类方法、设备及存储设备。请参考图1，图1是本专利技术实施例中一种高光谱遥感图像的分类方法的流程图，具体包括如下步骤：S1本文档来自技高网...

【技术保护点】
1.一种高光谱遥感图像的分类方法，其特征在于：包括以下步骤:S101：对高光谱遥感图像中的数据进行处理，去除掉所述高光谱遥感图像中的无效数据；S102：对经过数据处理后的高光谱遥感图像进行降维处理，形成原始待分类的高光谱遥感图像；S103：对所述原始待分类的高光谱遥感图像进行数据的归一化处理，得到待分类的高光谱遥感图像；S104：根据所述待分类的高光谱遥感图像得到样本数据；S105：将所述样本数据输入到深度森林分类模型中，对所述深度森林分类模型进行训练；S106：当所述深度森林分类模型训练完成后，利用训练后的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类，并得到所述高光谱遥感图像的分类结果。

【技术特征摘要】
1.一种高光谱遥感图像的分类方法，其特征在于：包括以下步骤:S101：对高光谱遥感图像中的数据进行处理，去除掉所述高光谱遥感图像中的无效数据；S102：对经过数据处理后的高光谱遥感图像进行降维处理，形成原始待分类的高光谱遥感图像；S103：对所述原始待分类的高光谱遥感图像进行数据的归一化处理，得到待分类的高光谱遥感图像；S104：根据所述待分类的高光谱遥感图像得到样本数据；S105：将所述样本数据输入到深度森林分类模型中，对所述深度森林分类模型进行训练；S106：当所述深度森林分类模型训练完成后，利用训练后的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类，并得到所述高光谱遥感图像的分类结果。2.如权利要求1所述的一种高光谱遥感图像的分类方法，其特征在于：在步骤S101中，所述高光谱遥感图像为3维张量形式。3.如权利要求1所述的一种高光谱遥感图像的分类方法，其特征在于：在步骤S102中，高光谱遥感图像包括光谱信息和空间信息，针对高光谱遥感图像的光谱信息，通过主成分分析法进行降维，将3维张量形式转化为2维矩阵形式，取2维矩阵形式中的数据中的一个像素点，作为一个实例，将这个实例拉伸，转化为一个1维向量作为原始待分类的高光谱遥感图像光谱数据；针对高光谱遥感图像的空间信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，并将图像块的前95％的主成分作为特征向量，然后通过多粒度扫描结构，对所述特征向量进行滑动取样，取样结果作为原始待分类的高光谱遥感图像空间数据；针对高光谱遥感图像的空谱结合信息，通过主成分分析法进行降维，再以目标像元为中心选取K×K×B的图像块，其中，K表示图像块在空域的尺寸，B表示高光遥感谱图像降维后的主成分的个数，然后使用多粒度扫描结构对邻域块进行滑动取样，再串接上光谱信息特征，得到的结果作为原始待分类的高光谱遥感图像空谱结合数据。4.如权利要求1所述的一种高光谱遥感图像的分类方法，其特征在于：在步骤S104中，所述样本数据，可以是随机选取的所述待分类的高光谱遥感图像中的部分数据或者全部数据。5.如权利要求1所述的一种高光谱遥感图像的分类方法，其特征在于：在步骤S105中，所述深度森林分类模型采用级联结构进行连接，每一层森林则为决策树的集成；所述深度森林分类模型自动确定深度森林级联的层数，其自动确定深度森林级联的层数的方法为：每个森林通过k折交叉验证生成类向量，即每个样本数据作为k-1次的训练样本，产生k-1个类向...

【专利技术属性】
技术研发人员：刘小波，尹旭，王瑞林，蔡耀明，刘振焘，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42