【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。