一种基于深度高分辨率的高光谱图像分类方法技术

本发明专利技术公开了一种基于深度高分辨率表示学习的高光谱图像分类方法，包括：获取待分类的高光谱图像；利用主成分分析法进行光谱降维；对光谱带中每个像素点取一个固定空间大小的立方体数据，通过一个高分辨率的卷积网络模块，并利用多分辨率网络和多尺度融合来提取特征；采用保持高分辨率表示的方法,从一个高分辨率网络开始,逐步增加高分辨率到低分辨率的子网络,并将多分辨率子网并行链接；采用重复的多尺度融合的方法，对每一个高到低分辨率的表示从其他平行表示反复的接受和融合信息来丰富高分辨率表示,得特征图输出；将特征图输入至全连接网络和Softmax得到预测分类结果。本发明专利技术通过一直保持高分辨率表示和重复的多尺度融合，实现了在低训练样本下对高光谱图像的准确分类。

【技术实现步骤摘要】
一种基于深度高分辨率的高光谱图像分类方法
本专利技术属于图像处理
，具体涉及基于深度高分辨率的高光谱图像分类方法。
技术介绍
高光谱遥感技术是利用高光谱传感器,以连续细分的波段对目标区域同时成像,得到联合空-谱信息的高光谱图像。作为地球观测的重要手段，被广泛应用于精细化农业、环境监测、军事侦测等方面。高光谱图像是一个具有高维度的图像，含有丰富的光谱特征信息和空间特征信息,这不同于自然语言图像。通过将反射目标辐射的光谱波段信息与反映目标二维空间的图像信息整合在一起，能够获得统一的地物信息。然而，高光谱图像的高维特性、波段间高度相关性和光谱混合等特征使得其分类面临巨大挑战。因此，如何高效地提取高光谱图像的光谱和空间信息成为一个亟待解决的问题。近年来，受视觉系统内在结构的启发，随着深度学习新技术的出现，使得高光谱图像分类得到了突破性的进展，典型方法就是卷积神经网络(ConvolutionalNeuralNetwork，CNN)。卷积神经网络作为深度学习中的一类重要算法，具有强大的特征学习能力，其结构特点非常适合解决图像领域问题，并在目标检测与追踪、图像分类等领域取得优异的性能。这其中最重要的一点就是高分辨率，当在维持着高分辨率的基础上，逐步的加入和融合低分辨率的信息，从而得到丰富信息特征表示来满足下游的图像分类任务。
技术实现思路
本专利技术要克服现有技术的上述缺点，提供基于深度高分辨率特征表示的高光谱图像分类方法，通过深度高分辨率表示模块构建特征提取网络得不同的输出分支，并使用逐级融合相加得到预测特征图，实现了低训练样本下对高光谱图像的准确分类。为实现上述目的，本专利技术所采取的技术方案为：一种基于深度高分辨率表示的高光谱图像分类方法，包括以下步骤：步骤S1、获取待分类的高光谱图像；步骤S2、利用主成分分析法对图像进行光谱降维预处理；步骤S3、对进行处理后的光谱输入到深度高分辨率模块，在维持着原本的高分辨率的基础上，经过信息交互输出包括原尺寸在内的三个不同大小的特征图；步骤S4、采用从上到下逐级融合相加的方法，融合三个不同大小特征图的空间信息，输出分类预测特征图；步骤S5、将特征图通过Softmax得到针对待分类的高光谱图像的最终预测分类结果。作为优选，步骤S2所述利用主成分分析法对高光谱图像进行光谱降维，包括：S21.令获取的高光谱遥感图像的大小为W×H×L，其中W、H和L分别是图像的宽度、高度和通道数；S22.重塑高光谱遥感图像至大小为L×N的输入数据X，且N＝W×H；S23.计算输入数据X的协方差矩阵B；S24.获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；S25.建立主成分分析的优化目标函数如下：minptr(PTBP),s.t.其中，I是具L×L大小的单位矩阵，tr(·)和T分别表示矩阵的迹和转置操作；S26.计算优化目标函数，当计算得到L×k大小的P时，主成分分析输出大小为k×L的降维后的高光谱遥感图像Y，Y＝PT×X，则高光谱遥感图像的光谱带尺寸从原始的L减小为k。作为优选，步骤S3所述的对进行处理后的光谱输入到深度高分辨率模块，在维持着原本的高分辨率的基础上，经过信息交互输出包括原尺寸在内的三个不同大小的特征图，包括：S31.令模块输入特征图的大小为H×W×K；S32.通过深度高分辨率特征表示网络得到三个不同尺寸的特征图:尺寸为H×W×C1特征图F1，尺寸为H×W×C2特征图F2，尺寸为H×W×C3特征图F3，其中C1,C2,C3为三个不同分支产生的特征图的通道数。作为优选，步骤S4所述的采用从上到下逐级融合相加的方法，融合三个不同特征图的空间信息，输出分类预测特征图，包括：S41.令尺寸为H×W×C1的特征图F1下采样得到与F2相同大小的特征图，然后与原来的F2进行加操作得尺寸为H×W×C2的F12；S42.再令大小为H×W×C2特征图F12下采样得到与F3相同大小的特征图,然后与原来的F12进行加操作得到尺寸为H×W×C3的特征图F。本专利技术提供的基于深度高分辨率特征表示的高光谱图像分类方法，利用主成分分析对高光谱图像进行光谱降维，通过深度高分辨率模块构成高分辨特征提取网络，并利用逐步特征融合的方式得到一张具有丰富信息的特征图，充分利用高分辨率和空间特征信息来获得更多的判别特征，显著提高了高光谱图像分类的准确性。附图说明图1为本专利技术的基于深度高分辨率特征表示的高光谱图像分类方法的流程图；图2为本专利技术主成分分析处理示意图；图3为本专利技术深度高分辨率特征学习模块；图4为本专利技术利用不同分支特征融合的方法将三个不同大小的特征图融合获取高分辨率信息的特征图；图5为本专利技术利用全卷积和Softmax操作得到最终的预测特征图三层全连接网络对获取的特征向量进行分类的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本专利技术。其中一个实施例中，提供了一种基于高分辨率特征学习的高光谱图像分类方法，该方法充分利用了高分辨率网络和多尺寸信息交互融合的方法的优点，实现低训练样本下准确分类。具体的，如图1所示，本实施例中的基于高分辨率特征学习的高光谱图像分类方法，包括以下步骤：步骤S1、获取待分类的高光谱图像。为了提高数据处理速度与准确性，首先需要对获取的高光谱图像进行预处理，如图2所示，本实施例中提供的主成分分析预处理方法，具体步骤参见步骤S2。步骤S2、利用主成分分析法对高光谱图像进行光谱降维。高维数据包含了过多的冗余信息，使得计算量十分庞大，因此利用主成分分析对高光谱图像进行光谱降维，实现减小光谱带的维度并保留完整的空间信息。在一实施例中，提供的光谱降维过程如下：S21.令获取的高光谱遥感图像的大小为W×H×L，其中W、H和L分别是图像的宽度、高度和通道数；S22.重塑高光谱遥感图像至大小为L×N的输入数据X，且N＝W×H；S23.计算输入数据X的协方差矩阵B；S24.获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；S25.建立主成分分析的优化目标函数如下：minptr(PTBP),s.t.其中，I是具L×L大小的单位矩阵，tr(·)和T分别表示矩阵的迹和转置操作；本文档来自技高网...

【技术保护点】
1.一种基于深度高分辨率的高光谱图像分类方法，其特征在于：包括以下步骤：/n步骤S1、获取待分类的高光谱图像；/n步骤S2、利用主成分分析法对图像进行光谱降维预处理；/n步骤S3、对进行处理后的光谱输入到深度高分辨率模块，在维持着原本的高分辨率的基础上，经过信息交互输出包括原尺寸在内的三个不同大小的特征图；/n步骤S4、采用从上到下逐级融合相加的方法，融合三个不同大小特征图的空间信息，输出分类预测特征图；/n步骤S5、将特征图通过Softmax层得到针对待分类的高光谱图像的最终预测分类结果。/n

【技术特征摘要】
1.一种基于深度高分辨率的高光谱图像分类方法，其特征在于：包括以下步骤：
步骤S1、获取待分类的高光谱图像；
步骤S2、利用主成分分析法对图像进行光谱降维预处理；
步骤S3、对进行处理后的光谱输入到深度高分辨率模块，在维持着原本的高分辨率的基础上，经过信息交互输出包括原尺寸在内的三个不同大小的特征图；
步骤S4、采用从上到下逐级融合相加的方法，融合三个不同大小特征图的空间信息，输出分类预测特征图；
步骤S5、将特征图通过Softmax层得到针对待分类的高光谱图像的最终预测分类结果。


2.如权利要求1的一种基于深度高分辨率的高光谱图像分类方法，其特征在于：步骤S2所述利用主成分分析法对图像进行光谱降维预处理，包括：
S21.令获取的高光谱遥感图像的大小为W×H×L，其中W、H和L分别是图像的宽度、高度和通道数；
S22.重塑高光谱遥感图像至大小为L×N的输入数据X，且N＝W×H；
S23.计算输入数据X的协方差矩阵B；
S24.获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；
S25.建立主成分分析的优化目标函数如下：
minptr(PTBP),s.t.PTP＝I,
其中，I是具L×L大小的单位矩阵，tr(·)和T分别表示矩阵的迹和转置操作；
S26.计算优化目标函数，当计算得到L×k大小的P时，主成分分析输出大小为k×L的降维后的高光谱遥感图像Y，Y＝PT×X，则高光谱遥感...

【专利技术属性】
技术研发人员：郑建炜，刘豪，刘宇，冯宇超，李鹏飞，吴杰，许金山，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33