基于NSCT变换和DCNN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CN107316013A(43)申请公布日2017.11.03(21)申请号201710449741.1(22)申请日2017.06.14(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)发明人白静徐敏陈盼焦李成张向荣缑水平(74)专利代理机构陕西电子工业专利中心61205代理人程晓霞王品华(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书10页附图3页(54)发明名称基于NSCT变换和DCNN的高光谱图像分类方法(57)摘要本发明公开了基于NSCT变换和DCNN的高光谱图像分类方法，解决了现有技术中不能充分挖掘待分类高光谱图像纹理细节和方向性信息的问题。本发明的实现为：输入高光谱图像；进行NSCT变换；对变换后立体块归一化并进行取块操作；在样本集合中随机选取训练、验证和测试样本集；构造深度卷积神经网络，设置网络超参数；训练网络；测试样本输入网络得到实际分类标签，画地物分类结果图；分类标签与测试样本参考标签对比计算分类评价指标，画出训练和验证样本随迭代次数增加的损失曲线图，完成地物分类。本发明保留了高光谱图像更多的纹理细节、方向性和空间信息，分类更加准确，可应用于气象、环境监测、土地利用、城市规划及防灾减灾等。CN107316013ACN107316013A权利要求书1/2页1.一种基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，包括如下步骤：(1)输入任选的一幅尺寸为h×w×n待分类高光谱图像；(2)对该高光谱图像进行降维，对降维后的每一个主分量分别进行非下采样轮廓波变换，保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块；(3)对立体块进行归一化操作；(4)对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得到样本集合；(5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的10％为测试样本集，每一个样本均有各自的参考标签；(6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络，并用Softmax函数作为分类器，设置网络的超参数；(7)对深度卷积神经网络进行有监督训练，通过验证样本调整深度卷积神经网络的超参数并防止过拟合，得到训练好的深度卷积神经网络；(8)将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本分类的总体精度、平均精度以及Kappa系数，画出训练样本和验证样本随着迭代次数的增加的损失曲线图，完成高光谱图像的地物分类。2.根据权利要求1所述的基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(2)所述的非下采样轮廓波变换，按照如下步骤进行：(2a)对原始高光谱图像在光谱方向上使用主成分分析进行降维操作，保留前3个主分量；(2b)对降维后得到的3个主分量分别进行3级非下采样轮廓波变换，第k级变换是对第k-1级NSCT变换得到的低频子带系数矩阵进一步分解得到的，经过第k级变换得到1个低频子带系数矩阵和2k个高频子带系数矩阵，每一个子带系数矩阵的尺寸均为h×w，k＝1,2,3；(2c)仅保留每一级变换的高频子带系数矩阵，将所有的高频子带系数矩阵在第三个维度进行叠加得到第三个维度的维数c，c＝3×(21+22+23)＝42维，最终得到一个尺寸为h×w×c的立体块。3.根据权利要求1所述基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(4)所述的取块操作，按照如下步骤进行：(4a)对高频子带系数矩阵叠加得到的立体块外围进行2层0填充操作，得到一个尺寸为(h+4)×(w+4)×c的立体块；(4b)以每个像素点为中心，用5×5的滑动窗对立体块进行取块操作，所取块的尺寸为5×5×c；(4c)剔除中心像素点的类别标签值为0的块，完成取块操作。4.根据权利要求1所述基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征在于，步骤(6)所述的深度卷积神经网络网络超参数设置，按照如下步骤进行：(6a)设置每一层卷积层卷积核的尺寸为3×3，第一卷积层的卷积核个数为3×c，第二2CN107316013A权利要求书2/2页卷积层的卷积核个数为6×c，第三卷积层的卷积核个数为6×c，第四卷积层的卷积核个数为9×c，第一全连接层神经元个数为6×c，第二全连接层神经元个数为3×c，其中第一卷积层和第二卷积层在进行卷积之前对输入进行1层0填充操作；所有卷积操作的步长均为1；(6b)随机初始化网络的权重W和偏置b，设置学习率为0.005，最