本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及一種高光譜圖像分類方法，可用于高光譜遙感圖像的分類。
背景技術(shù)：
：目前，隨著遙感傳感器的光譜分辨率不斷提高，人們對(duì)地物光譜屬性、特征的認(rèn)知也不斷深入，許多隱藏在狹窄光譜范圍內(nèi)的地物特征逐漸得以發(fā)現(xiàn)，大大加速了遙感技術(shù)的發(fā)展，使高光譜遙感成為21世紀(jì)遙感領(lǐng)域最重要的研究方向之一。不同于多光譜遙感，光譜遙感技術(shù)利用成像光譜儀以納米級(jí)的光譜分辨率，用幾十或幾百個(gè)波段同時(shí)對(duì)地表物成像，能夠獲得地物的連續(xù)光譜信息，具有“圖譜合一”的特性，在國(guó)民經(jīng)濟(jì)、國(guó)防建設(shè)等方面都發(fā)揮著重要作用，已經(jīng)廣泛地應(yīng)用于地標(biāo)分類、目標(biāo)探測(cè)、農(nóng)業(yè)監(jiān)測(cè)、礦物填圖、環(huán)境管理和國(guó)防建設(shè)等領(lǐng)域。高光譜圖像的分類是高光譜遙感影像處理和應(yīng)用的一項(xiàng)重要內(nèi)容，其最終目標(biāo)是給影像中的每個(gè)像元賦以唯一的類別標(biāo)識(shí)。對(duì)于高光譜圖像數(shù)據(jù)分類任務(wù)的研究和分析，主要就是通過(guò)高光譜數(shù)據(jù)分辨出圖像中的地物特征，即通過(guò)分析原始光譜或其他特征信息，將不同的地表區(qū)域劃分出來(lái)，如草地、農(nóng)田、水域、城鎮(zhèn)、橋梁等等，有助于人們識(shí)別和分析地表情況。面對(duì)高光譜圖像數(shù)據(jù)維度高，數(shù)據(jù)相關(guān)性強(qiáng)，冗余度高，局部空間一致性等特點(diǎn)，常用的分類方法主要從以下幾個(gè)方面入手：(1)稀疏表示與字典學(xué)習(xí)，選擇少量有標(biāo)記樣本作為字典，用字典樣本的線性組合去表示其他樣本；(2)支撐矢量機(jī)SVM分類器及其核函數(shù)的相關(guān)變換，構(gòu)建新型核函數(shù)，如多項(xiàng)式核等，適應(yīng)高光譜數(shù)據(jù)的非線性分布；(3)半監(jiān)督與主動(dòng)學(xué)習(xí)，提升小樣本下的分類效果；(4)新分類器的提出與多分類器的組合；(5)特征的提取與組合變換等。其中常用的特征包括：1)光譜特征，即高光譜圖像自身光譜信息特征及其相關(guān)派生特征；2)空間特征，包括高光譜圖像的紋理、形狀、形態(tài)學(xué)特征；3)空-譜特征，即空間特征和光譜特征相結(jié)合得到的特征。這些特征都是從高光譜圖像的固有特性入手，通過(guò)簡(jiǎn)單提取變換得到的低層特征。隨著近幾年深度學(xué)習(xí)的火熱興起，如何利用深度學(xué)習(xí)模型框架，充分提取具有更好表示性的高光譜圖像高層特征，提升高光譜圖像分類精度，越來(lái)越成為國(guó)內(nèi)外學(xué)者爭(zhēng)相研究的熱點(diǎn)。深度學(xué)習(xí)是一種特征提取技術(shù)，它從神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展而來(lái)，通過(guò)分層的方式對(duì)低層特征進(jìn)行高度抽象，從而得到特征更好的表示方法。常用的深度學(xué)習(xí)框架主要有棧式自編碼器SAE，深度置信網(wǎng)絡(luò)DBN，卷積神經(jīng)網(wǎng)絡(luò)CNN，遞歸神經(jīng)網(wǎng)絡(luò)RNN，他們被廣泛應(yīng)用于自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、生物信息學(xué)等領(lǐng)域，并取得了非常好的效果。目前已有學(xué)者將棧式自編碼器SAE，深度置信網(wǎng)絡(luò)DBN和卷積神經(jīng)網(wǎng)絡(luò)CNN深度學(xué)習(xí)模型引入到高光譜圖像分類中來(lái)。在《DeepLearning-BasedClassificationofHyperspectralData》中，YushiChen將高光譜數(shù)據(jù)進(jìn)行PCA降維，選取矩形窗口中的像素連接成以為特征向量作為局部空間特征，再與原始光譜特征連接起來(lái)，作為低層特征輸入構(gòu)建好棧式自編碼器SAE模型。在《Spectral-SpatialClassificationofHyperspectralDataBasedonDeepBeliefNetwork》中，YushiChen采用與上文相同的方法構(gòu)建低層特征，并輸入構(gòu)建好的深度置信網(wǎng)絡(luò)DBN模型。這種方法的分類效果一般，正確率并不高，而且存在很多不足，如直接采用光譜特征作為輸入特征，包含的雜亂噪聲太多，判別性較弱，無(wú)法取得很好的分類效果；而且在局部空間特征提取上，簡(jiǎn)單地選取鄰域的所有像素而不加處理，則其中與中心像素差異較大的像素會(huì)嚴(yán)重影響到分類精度。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于遞歸神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法，以構(gòu)建純凈度更高分類效果更好的低層特征，同時(shí)加強(qiáng)對(duì)局部空間內(nèi)像素之間相關(guān)性的探索，提高重要像素的作用，減少無(wú)用像素的影響，并將低層特征抽象為判別性更高的高層語(yǔ)義特征，從而更充分地利用高光譜圖像的特性，提高分類精度。為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下：(1)輸入一幅高光譜圖像，該高光譜圖像包括K個(gè)像素，B個(gè)高光譜譜段，c類地物，其中K＝K1×K2，K1表示高光譜圖像的長(zhǎng)，K2表示高光譜圖像的寬，圖像的每一個(gè)像素為一個(gè)樣本，每個(gè)樣本用一個(gè)特征向量表示，樣本的特征維數(shù)即為B，在每類地物中選擇10％的樣本組成訓(xùn)練樣本集，剩下90％的樣本組成測(cè)試樣本集；(2)采用Gabor濾波器對(duì)高光譜圖像的主成分灰度圖進(jìn)行濾波，得到高光譜圖像的空間紋理特征其中R表示實(shí)數(shù)域，g為空間紋理特征向量維數(shù)；(3)采用稀疏表示的方法計(jì)算高光譜圖像中每個(gè)像素的稀疏表示系數(shù)，得到高光譜圖像的稀疏表示特征其中m為稀疏表示特征向量的維數(shù)；(4)將高光譜圖像的空間紋理特征F1和稀疏表示特征F2堆疊組合成高光譜圖像的低層特征l為低層特征向量的維數(shù)，l＝g+m；(5)在高光譜圖像低層特征矩陣F上，以每個(gè)樣本為中心構(gòu)建窗口，提取樣本的局部空間特征塊，并利用樣本間的相似性構(gòu)建樣本的局部空間序列特征；(6)以窗口中樣本個(gè)數(shù)為時(shí)間步長(zhǎng)數(shù)構(gòu)建遞歸神經(jīng)網(wǎng)絡(luò)模型，并輸入訓(xùn)練樣本的局部空間序列特征和對(duì)應(yīng)的類別標(biāo)簽迭代訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)模型參數(shù)，得到訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)模型；(7)將測(cè)試樣本的局部空間序列特征輸入到訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)模型中，得到分類類標(biāo)，完成分類。本發(fā)明具有如下優(yōu)點(diǎn)：(1)本發(fā)明將高光譜圖像的空間紋理特征和稀疏表示特征整合起來(lái)，這種低層特征既包含高光譜圖像像素樣本局部空間信息，又包含該像素樣本關(guān)于其他樣本的稀疏表示信息，這樣的低層特征純凈度和判別性更高，對(duì)于分類任務(wù)效果更好；(2)本發(fā)明在高光譜圖像局部空間特征的基礎(chǔ)上，提取高光譜圖像的局部空間序列特征，不僅獲取了局部空間信息，還探索了局部空間內(nèi)各像素樣本之間的相似度信息，提高了重要像素的作用，減少了無(wú)用像素的影響，提高了分類效果；(3)本發(fā)明利用了常用于自然語(yǔ)言處理領(lǐng)域的遞歸神經(jīng)網(wǎng)絡(luò)模型，將遞歸神經(jīng)網(wǎng)絡(luò)的時(shí)序特性與高光譜圖像局部空間序列信息結(jié)合起來(lái)，可以有效整合高光譜圖像局部空間的上下文關(guān)系，將低層特征抽象提取為高層語(yǔ)義特征，充分利用了高光譜的特性，提高了分類正確率。附圖說(shuō)明圖1是本發(fā)明的流程示意圖；圖2是遞歸神經(jīng)網(wǎng)絡(luò)模型示意圖；圖3是本發(fā)明仿真采用的IndianPines圖像；圖4是本發(fā)明與現(xiàn)有方法對(duì)IndianPines圖像的分類結(jié)果對(duì)比圖。具體實(shí)施方式參照?qǐng)D1，本發(fā)明的具體實(shí)施步驟包括：步驟1，輸入高光譜圖像。輸入一幅三維矩陣高光譜圖像，該高光譜圖像包括K個(gè)像素樣本，B個(gè)高光譜譜段，c類地物，其中K＝K1×K2，K1表示高光譜圖像的長(zhǎng)，K2表示高光譜圖像的寬，在每類地物中選擇10％的樣本作為訓(xùn)練樣本，剩下90％的樣本作為測(cè)試樣本。步驟2，獲取高光譜圖像的空間紋理特征F1。2a)利用主成分分析法對(duì)高光譜圖像進(jìn)行變換，提取前k＝10個(gè)主成分灰度圖；2b)設(shè)置4個(gè)方向3種尺度的Gabor濾波器，即設(shè)置4個(gè)不同的Gabor核函數(shù)方向和3個(gè)不同的正弦平面波波長(zhǎng)，得到12個(gè)Gabor濾波器，每個(gè)Gabor濾波器的核函數(shù)如下：其中，x'＝xcosθ+ysinθ，y'＝-xcosθ+ysinθ，x和y表示坐標(biāo)位置信息，λ表示正弦平面波的波長(zhǎng)，θ表示Gabor核函數(shù)的方向，表示相位偏差，σ表示高斯包絡(luò)的標(biāo)準(zhǔn)差，γ表示空間縱橫比；2c)利用設(shè)置好的12個(gè)Gabor濾波器分別對(duì)前k個(gè)主成分灰度圖中的每個(gè)主成分灰度圖進(jìn)行Gabor濾波，得到每個(gè)主成分灰度圖的12個(gè)濾波后圖像；2d)將12×k個(gè)濾波后的圖像堆疊在一起，得到高光譜圖像的空間紋理特征其中R表示實(shí)數(shù)域，g＝12×k為空間紋理特征向量長(zhǎng)度。步驟3，獲取高光譜圖像的稀疏表示特征F2。3a)從高光譜圖像的c類訓(xùn)練樣本中每類隨機(jī)選取1％的樣本作為字典原子構(gòu)建子字典，其中第i類的子字典為i＝1,2,...,c，表示第i類的第j個(gè)字典原子，j＝1,2,...,mi，mi表示第i類的字典原子個(gè)數(shù)；3b)將c個(gè)子字典排列起來(lái)，合并成一個(gè)整體，得到總的結(jié)構(gòu)化字典D＝[D1...Di...Dc]，D∈RB×m是一個(gè)二維矩陣，表示所有類的子字典構(gòu)成的總的結(jié)構(gòu)化字典，m＝m1+…+mi+…+mc表示所有類別的子字典原子個(gè)數(shù)之和；3c)利用正交匹配追蹤算法求解每個(gè)像素的稀疏表示向量，即通過(guò)正交匹配追蹤算法優(yōu)化如下公式，得到高光譜圖像中每個(gè)像素x關(guān)于結(jié)構(gòu)化字典D的稀疏表示向量α：s.t.Dα＝x其中||α||0表示對(duì)α取0范數(shù)；3d)將高光譜圖像中所有樣本的稀疏表示向量α，按照原始圖像數(shù)據(jù)對(duì)應(yīng)位置組成一個(gè)三維的稀疏表示特征矩陣步驟4，將空間紋理特征和稀疏表示特征堆疊組合起來(lái)，得到高光譜圖像的低層特征矩陣其中l(wèi)＝g+m為低層特征向量長(zhǎng)度。步驟5，構(gòu)建樣本的局部空間序列特征。5a)在高光譜圖像低層特征矩陣F上，以每個(gè)樣本x為中心，以w＝9為邊長(zhǎng)構(gòu)建大小為w×w的窗口，提取x的局部空間特征塊，則x的局部空間特征塊包含w2＝81個(gè)樣本，其中每個(gè)樣本是一個(gè)長(zhǎng)為l的低層特征向量；5b)根據(jù)歐式距離公式計(jì)算局部空間特征塊中各個(gè)樣本與中心樣本x的相似度大小，歐氏距離越小相似度越大，并將各個(gè)樣本按照相似度從大到小排列起來(lái)，得到樣本x的局部空間序列特征步驟6，利用訓(xùn)練樣本集及其對(duì)應(yīng)類別標(biāo)簽訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)模型。6a)以窗口中樣本個(gè)數(shù)為時(shí)間步長(zhǎng)數(shù)T，構(gòu)建輸入層和隱層節(jié)點(diǎn)個(gè)數(shù)均為l的遞歸神經(jīng)網(wǎng)絡(luò)模型，其中T＝w×w＝81；6b)將訓(xùn)練樣本的局部空間序列特征和對(duì)應(yīng)的類別標(biāo)簽輸入到遞歸神經(jīng)網(wǎng)絡(luò)模型，即將樣本局部空間序列特征中的每一個(gè)低層特征向量輸入每一個(gè)對(duì)應(yīng)的時(shí)間步長(zhǎng)，具體方法是將任意一個(gè)訓(xùn)練樣本x的局部空間序列特征中第t個(gè)低層特征xt輸入遞歸神經(jīng)網(wǎng)絡(luò)的第t個(gè)時(shí)間步長(zhǎng)，由該時(shí)間步長(zhǎng)的輸入xt與前一個(gè)即第t-1個(gè)時(shí)步長(zhǎng)的隱層狀態(tài)st-1共同構(gòu)成該時(shí)間步長(zhǎng)的隱層狀態(tài)st：st＝σ(Uxt+Wst-1)，其中U表示輸入層到隱層的權(quán)重矩陣，W表示隱層到隱層的權(quán)重矩陣，σ表示非線性激活函數(shù)，本發(fā)明的σ選擇ReLU函數(shù)，則最后的輸出o81由最后一個(gè)時(shí)間步長(zhǎng)的隱層狀態(tài)s81決定，即：其中V表示隱層到輸出層的權(quán)重矩陣，表示非線性激活函數(shù)，本實(shí)例的選擇softmax函數(shù)，然后采用通過(guò)時(shí)間的反向傳播方法迭代訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)，迭代200次后停止，得到訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)模型。步驟7，將測(cè)試樣本的局部空間序列特征輸入到訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)模型中，得到分類類標(biāo)，完成分類。本發(fā)明的效果可以通過(guò)以下仿真實(shí)驗(yàn)進(jìn)一步說(shuō)明：1.仿真條件:仿真實(shí)驗(yàn)采用IndianPines圖像，該圖像于1992年6月由美國(guó)宇航局NASA噴氣推進(jìn)實(shí)驗(yàn)室的空載可見(jiàn)光/紅外成像光譜儀AVIRIS在印第安納西北部獲取，如圖3所示，圖像大小為145×145，共220個(gè)波段，去除噪聲以及大氣和水域吸收的波段還有200個(gè)波段，共16類地物信息，如表1所示。仿真實(shí)驗(yàn)在CPU為IntelCorei5-4210、主頻2.90GHz，內(nèi)存為8G的Windows10系統(tǒng)上用Python進(jìn)行。表1IndianPines圖像中的16類數(shù)據(jù)類別類別名稱樣本個(gè)數(shù)類別類別名稱樣本個(gè)數(shù)1Alfalfa469Oats202Corn-notill142810Soybean-notill9723Corn-mintill83011Soybean-mintill24554Corn23712Soybean-clean5935Grass-pasture48313Wheat2056Grass-trees73014Woods12657Grass-pasture-mowed2815Buildings-Grass-Trees-Drives3868Hay-windrowed47816Stone-Steal-Towers932.仿真參數(shù)：以上仿真實(shí)驗(yàn)統(tǒng)一選擇10％作為訓(xùn)練樣本，剩下的90％作為測(cè)試樣本，SVM懲罰因子設(shè)置為491；SRC方法中，直接用訓(xùn)練樣本構(gòu)成字典，稀疏度設(shè)置為10；SOMP方法中，直接用訓(xùn)練樣本構(gòu)成字典，窗口大小w設(shè)置為9，稀疏度設(shè)置為30；本發(fā)明中，PCA變換保留前10個(gè)主成分，Gabor濾波器的頻率選擇{0.25,0.5,0.75}3種尺度，方向選擇4種方向共12個(gè)濾波器，稀疏表示每類樣本隨機(jī)選擇1％構(gòu)建字典，稀疏度設(shè)置為30，窗口大小w設(shè)置為9，時(shí)間節(jié)點(diǎn)個(gè)數(shù)T設(shè)置為81。3.仿真內(nèi)容及結(jié)果：使用本發(fā)明與現(xiàn)有的三種常用方法對(duì)高光譜圖像IndianPine進(jìn)行分類，常用的三種方法分別是：基于支撐矢量機(jī)SVM分類方法，基于稀疏表示SRC的分類方法，基于局部區(qū)域的稀疏表示SOMP分類方法。用本發(fā)明與上述三種常用方法對(duì)IndianPines圖像進(jìn)行分類，結(jié)果如圖4所示，其中圖4a是用SVM方法的分類結(jié)果圖，圖4b是用稀疏表示SRC方法的分類結(jié)果圖，圖4c是用SOMP方法的分類結(jié)果圖，圖4d是本發(fā)明的分類結(jié)果圖。從圖4中可以看出，相比于常用的三種方法，本發(fā)明的結(jié)果圖更加清晰干凈，局部空間一致性和邊緣一致性都比現(xiàn)有方法要好，分類精度更高。本發(fā)明與其他各種方法各進(jìn)行10次仿真實(shí)驗(yàn)，取分類結(jié)果的平均值作為最終的分類正確率，包括整體正確率(OA)，每類平均正確率(AA)和卡帕系數(shù)(Kappa)，結(jié)果如表2所示。表2本發(fā)明與其他方法的分類正確率方法OA(％)AA(％)KappaSVM81.2474.060.79SRC68.5364.230.64SOMP95.2783.480.95本發(fā)明97.1795.840.97從表2可見(jiàn)，本發(fā)明和現(xiàn)有的SOMP方法由于包含了局部空間信息，相比于只用單像素信息的SVM方法和SRC方法，分類正確率明顯要更高，而且本發(fā)明既整合了空間紋理特征和稀疏表示特征的信息，又充分挖掘了局部空間像素間的信息，并用遞歸神經(jīng)網(wǎng)絡(luò)模型將低層特征抽取為判別性更高表示性更好的高層語(yǔ)義特征，可以獲得更高的分類正確率，在整體正確率、平均正確率、卡帕系數(shù)上都好過(guò)其他三種方法。綜上，本發(fā)明將高光譜圖像的空間紋理特征和稀疏表示特征整合為低層特征，并在局部空間特征的基礎(chǔ)上提取了局部空間序列特征，并利用深度學(xué)習(xí)框架中的遞歸神經(jīng)網(wǎng)絡(luò)模型對(duì)高光譜圖像進(jìn)行分類，既提高了低層特征的純凈度和判別性，又探索了高光譜圖像的局部空間內(nèi)各像素樣本之間的相似度信息，提高了重要像素的作用，減少了無(wú)用像素的影響，同時(shí)將遞歸神經(jīng)網(wǎng)絡(luò)的時(shí)序特性與高光譜圖像局部空間序列信息結(jié)合起來(lái)，可以有效整合高光譜圖像局部空間的上下文關(guān)系，將低層特征抽象提取為高層語(yǔ)義特征，充分利用了高光譜的特性，得到較高的識(shí)別率，與現(xiàn)有的方法相比具有明顯的優(yōu)勢(shì)。當(dāng)前第1頁(yè)1 2 3