基于可分离卷积和密集连接的高光谱图像分类方法及介质技术

本发明专利技术涉及一种基于可分离卷积和密集连接的高光谱图像分类方法及介质的技术方案，包括：搭建高光谱分类网络，初始化输入数据；对输入数据使用密集连接方式进行特征提取；对频谱维度进行压缩；通过感受野对空间信息进行第融合，同时整合数据的频谱信息，使用可分离卷积输出对应的特征图；使用无参的全局平均池化，将特征图投票，输出值拼接输入全连接层，并通过softmax输出分类。本发明专利技术的有益效果为：降低计算量的同时大大减少了网络参数，提高网络分类效率；显著提高了3个常用的高光谱数据集的分类准确率；使得卷积神经网络结构具有较好的泛化能力。

【技术实现步骤摘要】
基于可分离卷积和密集连接的高光谱图像分类方法及介质
本专利技术涉及计算机及图像处理领域，具体涉及了一种基于可分离卷积和密集连接的高光谱图像分类方法及介质。
技术介绍
高光谱图像中的光谱信息和空间信息可以充分反映地物的物理结构、化学成分，单个像素点富含的信息远大于高分辨率图像或者雷达图像，对于不同的地物类型的敏感度更高，因此更适合用于地物的分类，并已广泛应用于地物监测，农作物疾病检测，资源勘测等多个领域。高光谱分类任务指的是对高光谱图像的每一个像素点给出其所属类别，本质是一个分类任务，影响分类准确率的原因主要有两个方面。首先是受成像传感器的影响，空间分辨率低导致单个像素包含多种地物，出现混合像元的情况，天气和大气气体的变化也会影响地物的频谱特性；其次是高光谱图像的高维性，在样本有限的情况下，当用于分类的特征超过一定限度时，分类精度反而会下降。现有技术包括SVM、随机森林、人工智能(3D卷积)。其存在的缺点：在早期的高光谱图像分类中，人们更关注于图像的频谱信息，使用支持向量机、随机森林等传统方法进行分类，Melgani等提出了基于支持向量机(SVM)的分类方法，但是该方法更适用于解决二分类问题，对于多分类问题和高维度的高光谱数据，矩阵的存储和计算需要占用大量的机器内存和计算资源，而且分类精度较低。随着深度学习的发展，卷积神经网络在特征提取与特征融合方面显示出了强大的优势，3D卷积被验证适用于高光谱图像的分类任务。提出了高光谱图像分类的新思路，基于3D卷积搭建网络结构，通过迁移学习和数据增强来解决样本小的问题，这种训练方式取得了较好的效果，但是以3D卷积搭建的神经网络信息传递的效率低，3D卷积的卷积核带来了大量的参数。
技术实现思路
本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供了一种基于可分离卷积和密集连接的高光谱图像分类方法及介质，实现了小样本的情况下，提高了高光谱图像的分类精度和效率。本专利技术的技术方案包括一种基于可分离卷积和密集连接的高光谱图像分类方法，其特征在于，该方法包括：S100，搭建高光谱分类网络，以11*11*波段数的高光谱数据作为输入数据，基于DenseNet算法以及分离卷积构建卷积神经网络；S200，对输入数据使用密集连接方式进行特征提取，搭建三层卷积层，每层使用1×1×7的卷积核进行频谱信息提取，并保持空间信息的独立性，以及，将第一层网络输出与第二层网络的输出数据进行频谱维度拼接，输入至第三层网络；将第一层网络、第二层网络与第三层网络的输出数据同样进行维度拼接输入到下一层；S300，使用1×1×7的卷积核，对频谱维度进行压缩；S400，以3×3的感受野对空间信息进行第一次融合，同时整合数据的频谱信息，使用可分离卷积，将3×3×K的卷积核分解为3×3×1的卷积和3×3×K的卷积，K的值为输入特征图的频谱维度，输出对应数量的9×9×1的特征图；S500，使用无参的全局平均池化，将9×9×1的特征图投票得出1×1×1的输出值，输出值拼接输入全连接层，并通过softmax输出分类。根据所述的基于可分离卷积和密集连接的高光谱图像分类方法，其中S100还包括：使用开源数据集对光谱数据进行预处理，包括将高光谱数据通过归一化处理至[0，1]之间，以11*11*波段数的高光谱数据作为单条数据进行输入。根据所述的基于可分离卷积和密集连接的高光谱图像分类方法，其中该方法还包括：对经过预处理的多个光谱数据划分训练集和验证集，其中验证集用于对卷积神经网络的训练进行分类准确度进行验证，训练集用于对卷积神经网络的训练进行参数调整，其中训练集和验证集的比例可自定义设置。根据所述的基于可分离卷积和密集连接的高光谱图像分类方法，其中投票包括：将9×9×1的特征图中指向同一个输出的多个像素进行求总和计算，并计算平均值，将平均值作为对应的多个1×1×1的输出值。根据所述的基于可分离卷积和密集连接的高光谱图像分类方法，其中该方法还包括：设置初始学习率设为0.001，采用学习衰减率策略，每迭代3次，损失函数保持不变，学习率降为上一次学习率的百分之十，训练样本的数量可自定义设置。根据所述的基于可分离卷积和密集连接的高光谱图像分类方法，其中S400还包括：通过训练损失与验证损失图确定网络是否达到收敛，收敛则停止训练，得到高光谱分类模型；将高光谱测试数据输入至高光谱分类模型，输出分类结果。本专利技术的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一所述的方法步骤。本专利技术的有益效果为：将分离卷积引入高光谱图像分类任务，代替传统的3D卷积，降低计算量的同时大大减少了网络参数，提高网络分类效率；使用Densenet频谱密集连接结构，将不同层次频谱信息进行拼接，提高了频谱信息利用率，显著提高了3个常用的高光谱数据集的分类准确率；通过频-空融合的神经网络框架，设计频谱信息提取、频谱压缩、空谱联合、投票分类四个部分，使得网络结构具有较好的泛化能力。附图说明下面结合附图和实施例对本专利技术进一步地说明；图1所示为根据本专利技术实施方式的流程图；图2所示为根据本专利技术实施方式的分离卷积示意图；图3所示为根据本专利技术实施方式的密集连接示意图；图4所示为根据本专利技术实施方式的卷积神经网络的结构图；图5所示为根据本专利技术实施方式的数据集的处理流程图；图6所示为根据本专利技术实施方式的输入高光谱图像分类流程图；图7所示为根据本专利技术实施方式的IP、UP、KSC数据集的实验结果示意图；图8所示为根据本专利技术实施方式的不同算法训练测试所需时间的柱形图；图9所示为根据本专利技术实施方式的装置及介质图。具体实施方式本部分将详细描述本专利技术的具体实施例，本专利技术之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本专利技术的每个技术特征和整体技术方案，但其不能理解为对本专利技术保护范围的限制。在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。在本专利技术的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本专利技术的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本专利技术技术方案所达到的技术效果。本专利技术的描述中，除非另有明确的限定，设置等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。术语解释：高光谱图像，具有空间信息与频谱信息的三维立体数据块。图1所示为根据本专利技术实施方式的流程图，该流程如下：S100，搭建高光谱分类网络，以11*11*波段数的高光谱数据作为输入数据，基于DenseNet算法以及分离卷积构建卷积神经网络；S200，对输入数据使用密集连接方式进行特征提取，搭建三层卷积层，每层使用1×1×本文档来自技高网...

【技术保护点】
1.一种基于可分离卷积和密集连接的高光谱图像分类方法，其特征在于，该方法包括：/nS100，搭建高光谱分类网络，以11*11*波段数的高光谱数据作为输入数据，基于DenseNet算法以及分离卷积构建卷积神经网络；/nS200，对输入数据使用密集连接方式进行特征提取，搭建三层卷积层，每层使用1×1×7的卷积核进行频谱信息提取，并保持空间信息的独立性，以及，将第一层网络输出与第二层网络的输出数据进行频谱维度拼接，输入至第三层网络；将第一层网络、第二层网络与第三层网络的输出数据同样进行维度拼接输入到下一层；/nS300，使用1×1×7的卷积核，对频谱维度进行压缩；/nS400，以3×3的感受野对空间信息进行第一次融合，同时整合数据的频谱信息，使用可分离卷积，将3×3×K的卷积核分解为3×3×1的卷积和3×3×K的卷积，K的值为输入特征图的频谱维度，输出对应数量的9×9×1的特征图；/nS500，使用无参的全局平均池化，将9×9×1的特征图投票得出1×1×1的输出值，输出值拼接输入全连接层，并通过softmax输出分类。/n

【技术特征摘要】
1.一种基于可分离卷积和密集连接的高光谱图像分类方法，其特征在于，该方法包括：
S100，搭建高光谱分类网络，以11*11*波段数的高光谱数据作为输入数据，基于DenseNet算法以及分离卷积构建卷积神经网络；
S200，对输入数据使用密集连接方式进行特征提取，搭建三层卷积层，每层使用1×1×7的卷积核进行频谱信息提取，并保持空间信息的独立性，以及，将第一层网络输出与第二层网络的输出数据进行频谱维度拼接，输入至第三层网络；将第一层网络、第二层网络与第三层网络的输出数据同样进行维度拼接输入到下一层；
S300，使用1×1×7的卷积核，对频谱维度进行压缩；
S400，以3×3的感受野对空间信息进行第一次融合，同时整合数据的频谱信息，使用可分离卷积，将3×3×K的卷积核分解为3×3×1的卷积和3×3×K的卷积，K的值为输入特征图的频谱维度，输出对应数量的9×9×1的特征图；
S500，使用无参的全局平均池化，将9×9×1的特征图投票得出1×1×1的输出值，输出值拼接输入全连接层，并通过softmax输出分类。


2.根据权利要求1所述的基于可分离卷积和密集连接的高光谱图像分类方法，其特征在于，所述S100还包括：
基于开源数据集对光谱数据进行预处理，包括将高光谱数据通过归一化处理至[0，1]之间，以11*11*波段数的高光谱数据作为单条数据进...

【专利技术属性】
技术研发人员：颜军，宗达，蒋晓旭，邓剑文，宋廷强，刘童心，黄腾杰，吴明朗，郑忠良，
申请(专利权)人：珠海欧比特宇航科技股份有限公司，广东欧比特人工智能研究院有限公司，
类型：发明
国别省市：广东;44