基于NSCT和SAE的高光谱图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107122733A(43)申请公布日2017.09.01(21)申请号201710277394.9(22)申请日2017.04.25(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人白静余立付李亚龙徐航缑水平张向荣李阳阳(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书3页说明书7页附图2页(54)发明名称基于NSCT和SAE的高光谱图像分类方法(57)摘要本发明公开了一种基于NSCT和SAE的高光谱图像分类方法，其实现步骤为：(1)输入图像；(2)预处理；(3)进行非下采样轮廓波变换；(4)选取系数子带；(5)选取正方形邻域图像块；(6)提取像素的局部纹理特征；(7)获得三维图像矩阵；(8)选择训练样例；(9)构建栈式自编码器SAE；(10)进行非线性变换操作；(11)微调模型中的参数；(12)输出高光谱图像的分类结果。本发明可以充分地利用高光谱图像的局部纹理特征，具有很高的分类准确率，可用于地质勘探领域中的高光谱图像的分类，为地物图像的绘制提供参考。CN107122733ACN107122733A权利要求书1/3页1.一种基于NSCT和SAE的高光谱图像分类方法，包括如下步骤：(1)输入图像：输入一幅包含不同地物的高光谱图像；(2)预处理：(2a)对输入的高光谱图像的像素值进行归一化操作，得到归一化图像；(2b)采用主成分分析方法，将归一化图像的光谱维度降低到4维，得到降维后的图像；(3)进行非下采样轮廓波变换：对降维后的图像进行非下采样轮廓波变换NSCT，得到变换域的56个高频系数子带；(4)选取系数子带：在56个高频系数子带中任意选取一个系数子带；(5)选取正方形邻域图像块(5a)在所取系数子带中任意选取一个系数；(5b)在所取系数中取一个大小为17×17像素的正方形邻域图像块；(6)提取像素的局部纹理特征：(6a)按照下式，对所取正方形邻域图像块中每个像素进行离散化操作，得到离散化像素：Pi＝f(Li/M×32)其中，Pi表示所取正方形邻域图像块中第i个像素的离散化值，f(·)表示向上取整操作，Li表示所取正方形邻域图像块中第i个像素的值，M表示所取正方形邻域图像块中像素的最大值；(6b)将所取正方形邻域图像块中的所有离散化像素组成离散化矩阵；(6c)在高频系数子带中每个系数的离散化矩阵中，提取横向和纵向间隔均为5的所有像素对；(6d)将所有像素对按照灰度值进行分组；(6e)将每个组的像素对个数组成灰度共生矩阵；(6f)按照下式，对灰度共生矩阵中每个元素进行归一化操作，得到归一化值：其中，Qj表示灰度共生矩阵中第j个元素的归一化值，Pj表示灰度共生矩阵中第j个元素的值，∑表示求和操作，N表示灰度共生矩阵中元素的总数；(6g)将所有的归一化值组成归一化矩阵；(6h)按照下式，计算归一化矩阵的熵值，将该熵值作为像素的局部纹理特征：其中，E表示图像块的灰度共生矩阵的熵值，Qk表示归一化矩阵中第k个元素的值，log表示以2为底的自然对数操作；(7)判断是否选取完所选系数子带的所有系数，若是，则执行步骤(8)；否则，执行步骤(5)；(8)判断56个高频系数子带是否选取完，若是，则执行步骤(9)；否则，执行步骤(4)；2CN107122733A权利要求书2/3页(9)获得三维图像矩阵：对每一个像素的局部纹理特征和输入的高光谱图像中相同位置的光谱特征进行首尾相连，得到包含局部纹理特征和光谱特征的三维图像矩阵；(10)选择训练样例：从三维图像矩阵的每一类像素中随机选择10％的像素，作为训练样例；(11)构建栈式自编码器SAE：(11a)将训练样例作为自编码器的输入特征向量；(11b)利用隐藏层特征向量计算公式，生成第一层自编码器隐藏层的特征向量；(11c)利用输出层特征向量计算公式，生成第一层自编码器输出层的特征向量；(11d)利用自编码器的训练方法，优化第一层自编码器的参数；(11e)将第一层自编码器的隐藏层特征向量作为第二层自编码器的输入特征向量，采用与步骤(11b)、步骤(11c)、步骤(11d)相同的方法，构建第二层自编码器；(12)进行非线性变换操作：利用全连接层特征向量公式，对第二层自编码器的隐藏层特征向量进行非线性变换操作，生成全连接层的输出特征向量；(13)微调模型中的参数：将全连接层的输出特征向量作为softmax分类器的输入特征向量，对栈式自编码器和softmax分类器组成的神经网络模型，采用反向传播方法微调模型中的参数；(14)输出高光谱图像的分类结果：将图像矩阵的每一个像素作