一种基于边缘保留滤波的CNN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CN109711466A(43)申请公布日2019.05.03(21)申请号201811604797.0(22)申请日2018.12.26(71)申请人陕西师范大学地址710000陕西省西安市长安区西长安街620号(72)发明人曹菡郭延辉(74)专利代理机构北京慕达星云知识产权代理事务所(特殊普通合伙)11465代理人李冉(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于边缘保留滤波的CNN高光谱图像分类方法(57)摘要本发明公开了一种基于边缘保留滤波的CNN高光谱图像分类方法，为了增强分类效果，采用边缘保留滤波进行空间特征提取。同时，为了解决分类样本不均衡的特征，改变了原有的损失函数，增大样本数比较少的分类惩罚力度，进一步提高了分类效果。CN109711466ACN109711466A权利要求书1/1页1.一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，具体步骤包括如下：步骤一：原始图像的维度为α×β×S，其中，α×β为空间尺度，S为光谱通道；在原始图像中任取其中的Z个分量得到高光谱图像I和经主成分分析法降维提取引导图像G，其中Z≤S；步骤二：以高光谱图像I的分量为被引导图像，以引导滤波半径r＝3，得到引导后的图像分量；以同样的方式为高光谱图像I的其他分量做滤波，得到高光谱图像I的滤波后的图像；步骤四：将滤波后的图像中对应的分量进行拼接得到一个像素的光谱分量fi，进一步将每个光谱分量fi组合得到图像F；步骤五：将每个光谱分量fi变形为X1×X2的二维矩阵，作为卷积神经网络的输入；其中，X1×X2＝Z+K；步骤六：将图像F的分量按比例分为训练集和测试集利用卷积神经网络进行分类；其中在卷积神经网络的损失函数Loss(T,Y)中加入正则项约束和类别权重系数，得到高光谱图像卷积神经网络的损失函数：式中λ为正则项系数，其变化范围从1×10-6～1，间隔10倍调整λ的值，选择最高识别率时的λ值作为上式中的λ值，其中，n是训练集样本个数为有限正整数，C是高光谱遥感图像D的类别数，tic为测试集第i个样本的真实类标，当i样本属于第c类时，tic为1，其余为0；yic是测试集第i个样本的预测类标，定义方式与tic相同，W为卷积神经网络的所有参数；类别权重系数weightc的计算公式为：其中，nc为训练集中第c类的样本个数，nmax为训练集中样本数量最多的类的样本个数。2.根据权利要求1所述的一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在于，所述步骤一中，原始图像为D＝[d1,d2,...，ds]，其中，di＝[di1,di2,...，diN]，其中，S为光谱通道，i＝1,...，S；N＝α×β；将原始图像进行主成分分析法降维，取前三个分量作为引导图像G＝[P1,P2,P3]，高光谱图像I＝[P1,P2,...，PK]，其中，P1＝[Pi1,Pi2,...，PiN]，N＝α×β，K＝Z。3.根据权利要求1所述的一种基于边缘保留滤波的CNN高光谱图像分类方法，其特征在T于，所述步骤四中，对应的分量进行拼接成分量fi＝[Piai]，进一步将每个分量fi组合得到图像2CN109711466A说明书1/4页一种基于边缘保留滤波的CNN高光谱图像分类方法技术领域[0001]本发明涉及高光谱图像分类技术领域，更具体的说是涉及一种基于边缘保留滤波的CNN高光谱图像分类方法。背景技术[0002]随着高光谱成像仪的发展，高光谱图像变得容易获得。由于其包含丰富的空间特征和光谱特征，高光谱图像已经被广泛地应用到地表覆盖、环境监测、军事侦察等。作为高光谱图像应用的关键问题，高光谱图像分类得到越来越多的关注。[0003]高光谱图像分类是将每个像素点按照其光谱特征进行分类。过去几十年，出现了很多像素敏感的分类方法，如K近邻(KNN)、支持向量机(SVM)、稀疏表示等。然而，这些传统的方法只考虑了光谱信息，忽略了空间上下文信息。[0004]为了进一步提高分类精度，很多学者提出了空谱融合的高光谱图像分类方法，以充分利用空间上下文信息。一种光谱融合的分类方法是基于核融合的，如复合核，基于图的核，基于多边形的核。一般，基于核的方法都是与支持向量机结合使用，完成高光谱图像分类。[0005]除此以外，共同表示模型也是一种有效的空谱融合方法。共同表示模型的主要思想是一个区域的像素集合可以用测试集的稀疏样本进行表示。后来，出现了大量的有关共同表示和稀疏模型的分类方法，如基于核的共同稀疏模型、结构化的共同稀疏表示模型、字典学习等。[0006]图像滤波在计算机视觉领域被广泛应用，包括图像重构，图像去模糊