一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法技术

本发明专利技术公开了一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，包括：将高光谱图像数据进行预处理；将预处理后的高光谱图像数据进行数据集获取与划分，获取到训练样本集和测试样本集；构建基于过参数化深度卷积核的卷积神经网络；构建基于全局稠密残差特征融合的浅层分类模型；初始化融合模型的权重参数；训练浅层分类模型，得到高光谱图像分类模型；对测试样本集进行预测，得到分类结果。本发明专利技术有效提高了浅层网络模型对特征利用率，解决了高光谱遥感影像分类在构建深度网络易出现过拟合的问题，在使用有限卷积层的条件下实现较优分类的同时，实现了模型的轻量化。实现了模型的轻量化。实现了模型的轻量化。

【技术实现步骤摘要】
一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法


[0001]本专利技术属于遥感图像处理
，具体涉及一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法。

技术介绍

[0002]遥感图像处理技术以其灵活性高、再现性好等优点在生产、生活中发挥着日益重要的作用。高光谱图像处理技术是该领域的重要分支，在众多高光谱图像处理技术中，高光谱图像分类技术一直是研究重点和热点之一。利用高光谱图像分类技术，可获取农作物分布与生长情况，从而达到有效的、科学的农业管理；可对城市房屋、路面等进行准确识别与分类，从而为城市规划等方面提供帮助。
[0003]传统高光谱图像分类方法大致可分为依据地物光谱特性曲线的光谱匹配分类方法和基于数据统计特性分类方法，基于数据统计特性分类方法又可以根据其模型训练中是否需要有标记的样本分为监督分类、无监督分类。其中，无监督分类算法是指只有训练数据集，没有已标记分类结果的样本，只能靠计算机本身去分析数据特征。有监督分类算法是指将训练集样本及其对应的标签一起输入模型对模型的参数进行训练，这样得到的分类精度也必然会高，但是需要大量已标记样本。
[0004]近些年来，深度学习方法的优异性能使其在众多领域得到了广泛的研究。特别地，并根据研究领域的不同出现了各种衍生的网络结构。例如，在监督学习方向，循环神经网络、卷积神经网络以及图卷积神经网络在自然语言处理、计算机视觉和不规则数据处理等领域取得了优异的成就。为了得到更好的分类性能，现存的方法往往存在深度过深参数量过大的问题。但这往往需要消耗大量的计算资源和存储资源，这对于高光谱数据的边缘化处理来说都是不利的。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的不足，提供一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，其能够有效解决基于深度神经网络的高光谱遥感影像分类在存在参数量较大不适合遥感数据边缘化部署需求的缺点，并且保证了一定的分类精度。
[0006]技术方案：为实现上述目的，本专利技术提供一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，包括如下步骤：
[0007]S1：将原始高光谱影像进行预处理；
[0008]S2：将预处理后的高光谱影像进行切分并划分数据集，获取到训练样本集和测试样本集；
[0009]S3：构建过参数化深度卷积核；
[0010]S4：根据步骤S3的过参数化深度卷积核，构建基于过参数化深度卷积核的稠密残
差网络；
[0011]S5：初始化步骤S4构建的网络模型的权重参数；
[0012]S6：使用步骤S2中获取的训练样本集来训练S5中得到网络模型，得到浅层高光谱影像分类模型；
[0013]S7：将S6中得到的高光谱影像分类模型对步骤S2中获取的测试样本集进行预测，得到最终分类结果。
[0014]本实施例中步骤S1中预处理包括归一化以及去冗余化处理，具体的处理方法如下：
[0015]A1：获取高光谱图像每个波段下的空间维B
i
，求得该波段下数据平均值Ave
i
和标准差S
i
；
[0016]A2：按照下式计算得到每个波段下空间数据的归一化值N
i
：
[0017]N
i
＝(B
i
‑
Ave
i
)/S
i
[0018]A3：重复步骤A1和步骤A2直到将所有波段下的数据完成归一化处理，再将归一化后的波段重新组合为归一化后的高光谱影像H；
[0019]A4：将步骤A3得到的高光谱遥感影像H通过主成分分析技术进行将冗余波段去除保留主要特征成分得到预处理后的低维度高光谱影像
[0020]本实施例中步骤S2中训练样本集和测试样本集的获取方法为：
[0021]B1：将预处理后的低维度高光谱数据以每个待分类像素点为中心，切分为邻域大小为奇数的邻域数据块；
[0022]B2：从获得的所有邻域数据块中每类选取设定量的邻域数据块及其中心像素点对应的类别标签作为训练样本集X_train和训练集的标签集Y_train，其余的邻域数据块及其中心像素点对应的类别标签作为测试样本集X_test和测试集的标签集Y_test。
[0023]如图1所示，本实施例S3中过参数化深度卷积核的结构为深度卷积核和标准卷积核级联融合从而实现深度卷积的过参数化。
[0024]如图2所示，本实施例步骤S4中构建的基于过参数化深度卷积核的稠密残差网络结构包括输入层、过参数深度卷积层1、过深度卷积层2、特征扩张层、输出层以及稠密残差连接。其中，所述输入层的作用为将输入数据的特征图的数量变为所需的数量C。所述过参数化深度卷积层的作用为仅通过两个卷积层实现特征的提取并保持特征图的数量不变为C；
[0025]参照图2，所述构建的基于过参数化深度卷积核的稠密残差网络结构的特征提取过程为：输入邻域数据块X
→
输入层：1
×
1常规卷积，BatchNormalization，ReLU激活函数，得到输出X1→
过参数深度卷积层1：3
×
3过参数化深度卷积，BatchNormalization，ReLU激活函数，得到输出X2→
将X1与X2求和得到X
12
→
过参数深度卷积层2：3
×
3过参数化深度卷积，BatchNormalization，ReLU激活函数，得到输出X3→
将X1与X3求和得到X
13
→
特征扩张层：1
×
1常规卷积，BatchNormalization，ReLU激活函数，得到输出X4→
输出层：全局平均池化操作GAP，全连接层，SoftMax激活函数
→
得到分类结果。
[0026]11、本实施例步骤S6中分类模型的获得方法为：
[0027]C1：将训练样本集输入到步骤S5中构建的过参数化深度卷积核的稠密残差网络中进行分类，将分类结果与训练样本集标签Y_train进行比对并计算损失函数Loss；
[0028][0029]C2：迭代C1，直达Loss下降到满意值，得到高光谱影像分类模型。
[0030]本实施例步骤S7中分类结果的获得方法为：
[0031]D1：将测试样本集输入到步骤S6中获得的高光谱图像分类模型中，得到测试样本集的预测结果；
[0032]D2：将预测结果与测试样本集对应的类别标签通过准确计算公式得到分类结果准确率。其中，分类结果准确率包括总体分类精准确度(OA)，平均分类精确度(AA)和Kappa系数。
[0033]基于上述方案，为了验证本专利技术方法的效果，本实施例进行了仿真实验，具体如下：
[0034]图3和图4分别为实验中用到的Pavia University高光谱遥感影像数据图以及对应的伪彩色标记图，将图4应用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，其特征在于，包括如下步骤：S1：将原始高光谱影像进行预处理；S2：将预处理后的高光谱影像进行切分并划分数据集，获取到训练样本集和测试样本集；S3：构建过参数化深度卷积核；S4：根据步骤S3的过参数化深度卷积核，构建基于过参数化深度卷积核的稠密残差网络；S5：初始化步骤S4构建的网络模型的权重参数；S6：使用步骤S2中获取的训练样本集来训练S5中得到网络模型，得到浅层高光谱影像分类模型；S7：将S6中得到的高光谱影像分类模型对步骤S2中获取的测试样本集进行预测，得到最终分类结果。2.根据权利要求1所述的基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，其特征在于，所述步骤S1中预处理包括光谱数据正则化以及去降维处理，具体的处理方法如下：A1：获取高光谱图像每个波段下的空间维B
i
，求得该波段下数据平均值Ave
i
和标准差S
i
；A2：按照下式计算得到每个波段下空间数据的归一化值N
i
：N
i
＝(B
i
‑
Ave
i
)/S
i
A3：重复步骤A1和步骤A2直到将所有波段下的数据完成归一化处理，再将归一化后的波段重新组合为归一化后的高光谱影像H；A4：将步骤A3得到的高光谱遥感影像H通过主成分分析技术进行将冗余波段去除保留主要特征成分得到预处理后的低维度高光谱影像3.根据权利要求1所述的一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，其特征在于，所述步骤S2中训练样本集和测试样本集的获取方法为：B1：将预处理后的低维度高光谱数据以每个待分类像素点为中心，切分为邻域大小为奇数的邻域数据块；B2：从获得的所有邻域数据块中每类选取设定量的邻域数据块及其中心像素点对应的类别标签作为训练样本集X_train和训练集的标签集Y_train，其余的邻域数据块及其中心像素点对应的类别标签作为测试样本集X_test和测试集的标签集Y_test。4.根据权利要求1所述的一种基于过参数化深度卷积核的浅层高光谱遥感影像分类方法，其特征在于，所述步骤S3中过参数化深度卷积核的结构为深度卷积核和标准卷积核级联融合从而实现深度卷积的过参数化。5.根据权利要求1所述的一种基于过参数化深度卷积核的浅层高光谱...

【专利技术属性】
技术研发人员：高红民，陈忠昊，张亦严，曹雪莹，李臣明，
申请(专利权)人：河海大学，
类型：发明
国别省市：