一种基于扁平混合卷积神经网络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CN110689065A(43)申请公布日2020.01.14(21)申请号201910901178.6(22)申请日2019.09.23(71)申请人云南电网有限责任公司电力科学研究院地址650217云南省昆明市经济技术开发区云大西路105号(72)发明人周仿荣钱国超彭庆军马宏明彭兆裕何顺邱鹏锋(74)专利代理机构北京弘权知识产权代理事务所(普通合伙)11363代理人逯长明许伟群(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图1页(54)发明名称一种基于扁平混合卷积神经网络的高光谱图像分类方法(57)摘要本申请涉及高光谱图像处理技术领域，尤其涉及一种基于扁平混合卷积神经网络的高光谱图像分类方法。本申请提供的方法利用多种维度的卷积，在初级神经网络模型的前几层引入三维卷积，对空间-光谱特征进行提取和表示，后几层接上二维卷积层，对已经学习到的特征进一步整合，既避免了单一三维卷积大量的空间占用、耗时与收敛慢的缺点，又能比单一的二维卷积学习到更有效的特征；结合了多种类型的池化进行采样，在降低特征维度加速训练的同时尽可能地利用和保留学习到的有效特征，大大减少了模型的参数，缓和过拟合现象，使之在较少的训练样本下也能保持特征学习能力，获得良好的分类效果。CN110689065ACN110689065A权利要求书1/1页1.一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，所述方法包括：获取高光谱图像的原始数据；对所述原始数据进行处理，划分出训练样本；构建扁平混合卷积的初级神经网络模型；将所述训练样本输入所述初级神经网络模型中进行学习，得到输出值；根据损失函数计算所述输出值与预设值的误差；判断所述误差是否降低或者训练迭代次数是否达到预设值，若所述误差不再降低或者训练迭代次数达到预设值，则输出终级神经网络模型；若所述误差降低或者训练迭代次数未达到预设值，则通过Adam算法反向传播误差，更新所述初级神经网络模型的参数继续训练直到输出所述终级神经网络模型；将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别。2.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，对所述原始数据进行处理，划分出训练样本包括：采用主成分分析法对M×N×C大小的三维原始高光谱图像数据从光谱维度将数据向低维空间映射，转换到由K个特征向量构建的新空间中，得到大小为M×N×K的低维高光谱图像；将大小为M×N×K的低维高光谱图像截取为大小P×P×K的长方块作为样本，将每个长方块中间像素的类别作为样本标签，按照每类样本的比例，各取5％作为训练样本。3.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，所述原始数据为有类别标签的原始数据。4.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，根据计算所述输出值与预设值的误差，其中y表示期望的输出向量，a为实际的输出向量，n为样本数，m为类别数。5.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别包括：通过softmax回归，将样本划分为各类别的概率，最终判定各像素的类别为概率最大值对应的类别。6.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，初级神经网络模型包括：三维卷积层Conv1、最大池化层Pool1、三维卷积层Conv2、平均池化层Pool2、三维卷积层Conv3、二维卷积层Conv4以及全局平均池化层Pool3。2CN110689065A说明书1/5页一种基于扁平混合卷积神经网络的高光谱图像分类方法技术领域[0001]本申请涉及高光谱图像处理技术领域，尤其涉及一种基于扁平混合卷积神经网络的高光谱图像分类方法。背景技术[0002]得益于遥感技术的发展与成熟，高光谱图像技术近年来也得到了快速发展。高光谱图像中丰富的光谱信息在农业、军事、地质勘探、环境监测等领域发挥着重要作用。高光谱图像的分类技术一直以来都是其中一个备受关注的应用方向，其目的是对高光谱图像中每个像素点对应的地表物体类别实现准确判定。然而在实际应用中，由于光谱数据量庞大且波段间的信息相关性强，要获得较高的分类精度是十分具有挑战性的。[0003]近年来深度神经网络尤其是卷积神经网络在自然图像领域成绩显著，基于卷积神经网络的高光谱图像分类方法也不断被提出。已有大量研究成果表明，卷积神经网络的特征提取与学习能力