本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，主要涉及高光譜圖像分類，具體是一種基于棧式邊界辨別自編碼器的高光譜圖像分類方法，用于農(nóng)業(yè)，測繪，軍事，考古，環(huán)境和災(zāi)害監(jiān)測等領(lǐng)域。

背景技術(shù)：

隨著科學技術(shù)的發(fā)展，高光譜遙感技術(shù)得到了巨大的發(fā)展。高光譜數(shù)據(jù)可表示為高光譜數(shù)據(jù)立方體，是三維數(shù)據(jù)結(jié)構(gòu)。高光譜數(shù)據(jù)可視為三維圖像，在普通二維圖像之外又多了一維光譜信息。其空間圖像為描述地表二維空間特征，其光譜維揭示了圖像每一像元的光譜曲線特征，由此實現(xiàn)了遙感數(shù)據(jù)圖像維與光譜維信息的有機融合。高光譜遙感圖像含有豐富的光譜信息，可以提供空間域信息和光譜域信息，具有“圖譜合一”的特點，可以實現(xiàn)對地物精確的辨別與細節(jié)提取，對于認識客觀世界提供了有利條件。由于高光譜圖像獨有的特點，高光譜遙感技術(shù)已經(jīng)廣泛的應(yīng)用在不同的領(lǐng)域。在民用領(lǐng)域，高光譜遙感影像已經(jīng)被用于城市環(huán)境監(jiān)測、地表土壤監(jiān)測、地質(zhì)勘探、災(zāi)害評估、農(nóng)業(yè)產(chǎn)量估計、農(nóng)作物分析等方面。在軍用領(lǐng)域，高光譜遙感展現(xiàn)出了強大的探測能力，可用于障礙物識別、地表部隊識別、坦克軍艦識別、水下障礙物判斷以及敵軍的火力分布等情報。高光譜遙感技術(shù)已經(jīng)廣泛的應(yīng)用于人們的日常生活和軍事領(lǐng)域。因此，設(shè)計實用高效的高光譜圖像分類方法，已經(jīng)成為現(xiàn)代社會必不可少的科技需求。

目前，研究人員已經(jīng)提出了許多經(jīng)典的分類方法用于高光譜圖像分類，代表性的分類方法包括神經(jīng)網(wǎng)絡(luò)(nn)，k-近鄰(knn)，支持向量機(svm)等。nn的目標是像人類的大腦一樣以同樣的方式解決問題。為了模擬人類大腦的思維方法和解決問題的能力，近些年來，研究人員提出了類似于人腦思維方式的深度學習方法。svm如何確核函數(shù),現(xiàn)在還沒有合適的方法,所以對于一般的問題,svm只是把高維空間的復雜性的困難轉(zhuǎn)為了求核函數(shù)的困難.而且即使確定核函數(shù)以后,在求解問題分類時,要求解函數(shù)的二次規(guī)劃,這需要大量的存儲空間.這也是svm的一個問題。目前，由于深度學習在語音和圖像領(lǐng)域表現(xiàn)出的強大優(yōu)勢，深度學習的應(yīng)用也變得更加廣泛。深度學習可以從原始的復雜數(shù)據(jù)中分層次地學習到更加抽象的高級特征。hinton提出了棧式自編碼的概念(sae)。在sae中，高維數(shù)據(jù)可以通過訓練多層神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成低維數(shù)據(jù)。sae具有強大的特征表示和對復雜任務(wù)建模的能力。為了提高sae分類性能，jaimezabalza等人提出了基于分割的自編碼器(seg-sae)的高光譜圖像分類方法。該方法將每個樣本的光譜波段分割成幾個不同的區(qū)域，單獨的應(yīng)用自編碼器。這種方法可以大大降低自編碼器的計算復雜度。然而，高光譜圖像的辨別信息和樣本的分布特性沒有考慮到自編碼器中，可能丟失在自編碼器的隱層特征中。

綜上，已有高光譜圖像分類方法直接用于高光譜圖像分類，存在核函數(shù)求解困難、特征選擇單一、缺少先驗信息和約束信息、分類精度差的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對上述已有方法的不足，提出一種分類精度高，能夠適用于圖像處理的基于棧式邊界辨別自編碼器的高光譜圖像分類方法。

本發(fā)明是一種基于棧式邊界辨別自編碼器的高光譜圖像分類方法，其特征在于，包括有如下步驟：

(1)獲取高光譜圖像的訓練樣本集xp和測試樣本集xq：

(1a)將三維的高光譜圖像x轉(zhuǎn)換為二維高光譜圖像xa，xa∈r^b×m，該圖像xa包

含b個光譜波段，m個樣本；

(1b)隨機取xa的10％樣本組成初始訓練樣本集：xpp，xpp∈r^b×pp，其余的90％樣本組成初始測試樣本集xqq，xqq∈r^b×qq，其中，pp，qq分別代表初始訓練樣本和初始測試樣本的數(shù)量，滿足pp+qq＝m；

(1c)對初始訓練樣本集xpp和初始測試樣本集xqq分別按照光譜波段進行歸一化操作，得到歸一化后的訓練樣本集xp和測試樣本集xq；

(2)獲取高光譜圖像的第l+1層隱藏層特征集a^(l+1)：

(2a)抽取訓練樣本集xp，設(shè)訓練樣本集xp位于自編碼器網(wǎng)絡(luò)的第一層，即第l層，1≤l，即自編碼器網(wǎng)絡(luò)的第一層輸入樣本可以用a^(l)表示；

(2b)利用自編碼器網(wǎng)絡(luò)計算第l+1層隱藏層特征：

a^(l+1)＝f(z^(l+1))＝f(w^(l)a^(l)+b^(l))，w^(l)是第l層輸入層和第l+1層隱藏層之間的權(quán)值，b^(l)是它對應(yīng)的偏差，z^(l+1)是第l層輸入和l+1層隱藏層的權(quán)值和，a是隱藏層z通過激活函數(shù)f的映射值；

(2c)利用自編碼器網(wǎng)絡(luò)計算第l+2層重構(gòu)層特征：

是第l+1層隱藏層和相應(yīng)的解碼層的連接權(quán)值，是第l+1層相應(yīng)的偏差；

(3)計算高光譜圖像訓練樣本的類內(nèi)對比度ss和類間分離度sd：

通過計算訓練樣本的類內(nèi)對比度ss和類間分離度sd，引入邊界辨別約束：最小化類內(nèi)對比度，最大化類間邊界樣本的分離度；

(4)獲取第一層自編碼器網(wǎng)絡(luò)的權(quán)值w^(l)和偏差b^(l)：

通過最小化均方誤差函數(shù)j(w,b)，獲取第一層自編碼器網(wǎng)絡(luò)的權(quán)值w^(l)和偏差b^(l)；

(5)獲取第二層自編碼器網(wǎng)絡(luò)的權(quán)值w^(l+1)和偏差b^(l+1)：

第一層自編碼器網(wǎng)絡(luò)的輸出特征a^(l+1)作為第二層自編碼器網(wǎng)絡(luò)的輸入特征，計算第二層自編碼器網(wǎng)絡(luò)的輸出特征，即第l+1層，重復步驟(2)-(4)，獲取第二層自編碼器網(wǎng)絡(luò)的權(quán)值w^(l+1)和偏差b^(l+1)，直至獲取整個棧式自編碼器網(wǎng)絡(luò)所有層的權(quán)值和偏差。

(6)獲得高光譜圖像分類結(jié)果：

將測試樣本集xq輸入訓練完成的棧式自編碼器網(wǎng)絡(luò)，通過棧式自編碼器網(wǎng)絡(luò)逐層學習得到棧式自編碼器網(wǎng)絡(luò)的最后一層的輸出特征，將輸出特征通過softmax邏輯回歸分類器進行分類，得到測試樣本的類別標簽yq，即為高光譜圖像的分類結(jié)果。

本發(fā)明引入了邊界辨別約束，通過約束高光譜圖像樣本的類內(nèi)對比度和類間分離度，充分考慮挖掘了數(shù)據(jù)樣本的分布特性，以改善高光譜分類性能，提高分類精度，能夠適用于圖像處理中不同類型數(shù)據(jù)的處理。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：

a、本發(fā)明利用棧式自編碼器模型，通過逐層學習，能夠?qū)⒏呔S數(shù)據(jù)轉(zhuǎn)換為低維數(shù)據(jù)；引入了邊界辨別約束，通過約束樣本的類內(nèi)對比度和類間分離度，充分考慮挖掘了數(shù)據(jù)樣本的分布特性，增強了自編碼器學習特征的能力，能夠獲得具有辨別力的特征，提高了高光譜圖像的分類性能；

b、本發(fā)明采用了自編碼器深度學習的分類方法，具有強大的表達能力，它能夠?qū)W習得到能更好地表示輸入數(shù)據(jù)的特征，能夠不斷的自動學習特征，自編碼器的更深層網(wǎng)絡(luò)能夠?qū)W習到更高階的特征。對比于經(jīng)典的k近鄰，fisher分類器，svm分類器，自編碼器能夠處理更加復雜的數(shù)據(jù)，能夠適用于圖像處理中不同類型的數(shù)據(jù)處理。

附圖說明

圖1是本發(fā)明的實現(xiàn)流程圖；

圖2是本發(fā)明仿真使用的indianpines高光譜圖像的三維真實圖像，偽彩圖和分類參考圖；

圖3是用本發(fā)明及現(xiàn)有四種方法對indianpines高光譜圖像的分類結(jié)果對比圖。

具體實施方式

實施例1

高光譜圖像分類是一種常見的遙感圖像處理技術(shù)，高光譜圖像是由成像光譜儀獲取的，成像光譜儀為每個像元提供數(shù)十至數(shù)百個窄波段光譜信息，產(chǎn)生一條完整而連續(xù)的光譜曲線。高光譜圖像包含從可見光譜到紅外光譜的數(shù)百個光譜帶。在高光譜圖像中，每個像素用一個向量表示，它對應(yīng)于在特定波長的光譜反射率。高光譜圖像豐富的光譜信息可以提供潛在的利用價值。由于這種優(yōu)勢，它已被應(yīng)用在不同的領(lǐng)域，如農(nóng)業(yè)，測繪，軍事，考古，環(huán)境和災(zāi)害監(jiān)測等。

針對高光譜圖像分類方法直接用于高光譜圖像分類的現(xiàn)有方案中，存在特征選擇單一、缺少先驗信息和約束信息、分類精度差的問題，為此，本發(fā)明開展了研究與創(chuàng)新，提出一種基于棧式邊界辨別自編碼器的高光譜圖像分類方法，參見圖1，本發(fā)明的高光譜圖像分類過程包括有如下步驟：

(1)獲取高光譜圖像的訓練樣本集xp和測試樣本集xq：

(1a)將三維的高光譜圖像x轉(zhuǎn)換為二維高光譜圖像xa，xa∈r^b×m，該圖像xa包含b個光譜波段，m個樣本；

(1b)隨機取二維高光譜圖像xa的10％樣本組成初始訓練樣本集：xpp，xpp∈r^b×pp，其余的90％樣本組成初始測試樣本集xqq，xqq∈r^b×qq，其中，pp，qq分別代表初始訓練樣本和初始測試樣本的數(shù)量，滿足pp+qq＝m；

(1c)對初始訓練樣本集xpp按照每個光譜波段進行歸一化操作，將第一個光譜波段數(shù)據(jù)減去第一個光譜波段的最小值，除以第一個光譜波段數(shù)據(jù)的最大值與最小值的差值，直至將每一個光譜波段進行歸一化操作。將初始測試樣本集xqq的第一個光譜波段數(shù)據(jù)減去初始訓練樣本集xpp第一個光譜波段數(shù)據(jù)的最小值，除以初始訓練樣本集xpp第一個光譜波段數(shù)據(jù)的最大值與最小值的差值，直至將每一個光譜波段進行歸一化操作，得到歸一化后的訓練樣本集xp和測試樣本集xq；

(2)獲取高光譜圖像訓練樣本集xp的第l+1層隱藏層特征集a^(l+1)：

(2a)抽取訓練樣本集xp，設(shè)訓練樣本集xp位于網(wǎng)絡(luò)的第一層，即第l層，1≤l，即網(wǎng)絡(luò)的第一層輸入樣本用a^(l)表示；

(2b)利用自編碼器通過前向傳播進行編碼，計算第l+1層隱藏層特征a^(l+1)：

a^(l+1)＝f(z^(l+1))＝f(w^(l)a^(l)+b^(l))，w^(l)是第l層輸入層和第l+1層隱藏層之間的權(quán)值，b^(l)是它對應(yīng)的偏差，z^(l+1)是第l層輸入和l+1層隱藏層的權(quán)值和，a是隱藏層z通過激活函數(shù)f的映射值。該特征a^(l+1)將高光譜圖像從高維特征轉(zhuǎn)換為低維特征，提取了高光譜圖像有代表性的特征，能夠展示自編碼器強大的特征表示能力；

(2c)利用自編碼器進行解碼，計算第l+2層重構(gòu)層特征

是第l+1層隱藏層和相應(yīng)的解碼層的連接權(quán)值，是第l+1層相應(yīng)的偏差。該特征是a^(l)解碼之后的特征，和a^(l)特征維度一致，該特征與a^(l)計算重構(gòu)誤差反向傳播更新網(wǎng)絡(luò)的參數(shù)；

(3)計算高光譜圖像訓練樣本的類內(nèi)對比度ss和類間分離度sd：

通過計算訓練樣本的類內(nèi)對比度ss和類間分離度sd，引入邊界辨別約束：最小化類內(nèi)相似度，最大化類間邊界樣本的相似度。本發(fā)明采用類內(nèi)對比度闡明了同一類樣本點的鄰接關(guān)系，每個樣本和它同一類的k個近鄰樣本相連接。類間分離度闡明了不同類樣本位于邊緣點的鄰接關(guān)系，不同類別的k對邊緣點連接在一起。通過約束高光譜圖像樣本的類內(nèi)對比度和類間分離度，充分考慮挖掘了高光譜圖像數(shù)據(jù)樣本的分布特性，提供了先驗信息和約束信息、改善了自編碼器對高光譜圖像的分類性能。

(4)獲取第一層網(wǎng)絡(luò)的權(quán)值w^(l)和偏差b^(l)：

通過最小化均方誤差函數(shù)j(w,b)，根據(jù)特征與a^(l)計算重構(gòu)誤差，將重構(gòu)誤差進行反向傳播，采用梯度下降法獲取第一層網(wǎng)絡(luò)的權(quán)值w^(l)和偏差b^(l)；

(5)獲取第二層網(wǎng)絡(luò)的權(quán)值w^(l+1)和偏差b^(l+1)：

第一層網(wǎng)絡(luò)的輸出特征a^(l+1)作為第二層網(wǎng)絡(luò)的輸入特征，計算第二層網(wǎng)絡(luò)的輸出特征，即第l+1層輸出特征a^(l+2)，重復步驟(2)-(4)，獲取第二層網(wǎng)絡(luò)的權(quán)值w^(l+1)和偏差b^(l+1)，通過自編碼器逐層學習的方法，將前一層網(wǎng)絡(luò)的輸出特征作為下一層網(wǎng)絡(luò)的輸入特征，直至獲取整個棧式自編碼器網(wǎng)絡(luò)所有層的權(quán)值和偏差，自編碼器網(wǎng)絡(luò)也可稱作自編碼器模型。本發(fā)明使用的棧式自編碼器網(wǎng)絡(luò)擁有自編碼器網(wǎng)絡(luò)將高維數(shù)據(jù)轉(zhuǎn)換為低維數(shù)據(jù)的能力，擁有強大的特征表示能力。

(6)獲得高光譜圖像分類結(jié)果：

通過自編碼器網(wǎng)絡(luò)逐層學習的方法，計算每一層的網(wǎng)絡(luò)特征，通過誤差反向傳播更新每一層的權(quán)值和偏差，訓練整個網(wǎng)絡(luò)模型，將測試樣本集xq輸入訓練完成的自編碼器網(wǎng)絡(luò)，通過棧式自編碼器網(wǎng)絡(luò)逐層學習得到網(wǎng)絡(luò)的最后一層的輸出特征，將輸出特征通過softmax邏輯回歸分類器進行分類，得到測試樣本的類別標簽yq，即為高光譜圖像的分類結(jié)果。

本發(fā)明的技術(shù)方案是利用棧式自編碼器逐層提取高光譜圖像的特征；通過引入邊界辨別約束挖掘圖像數(shù)據(jù)的分布特性，增強自編碼器提取有辨別性特征的能力。邊界辨別約束包括兩部分：一部分是類內(nèi)對比度，描述類內(nèi)樣本的鄰接關(guān)系，每個樣本和屬于同一類的k近鄰樣本之間相連接的關(guān)系；另一部分是類間分離度，描述不同類樣本中處于邊界樣本的分離程度的關(guān)系；通過回歸分類器對測試樣本進行分類，得到高光譜圖像分類結(jié)果。

實施例2

基于棧式邊界辨別自編碼器的高光譜圖像分類方法同實施例1，本發(fā)明在步驟(3)中計算高光譜圖像樣本類內(nèi)對比度，按如下步驟進行：

通過計算l+1層隱藏層樣本a·i^(l+1)的類內(nèi)對比度，將a·i^(l+1)的轉(zhuǎn)置與ls和a·i^(l+1)本身進行乘積操作，得到的ss就是l+1層隱藏層訓練樣本a·i^(l+1)的類內(nèi)對比度：

其中a＝{a·1^(l+1),…,a·m^(l+1)}是樣本矩陣，ls＝d-w是圖拉普拉斯矩陣，對角矩陣dii＝∑jwij，wij測量兩個樣本的接近程度，t表示轉(zhuǎn)置，tr表示矩陣的跡,是由xi在相同類的k1近鄰樣本組成的集合。

類內(nèi)對比度本身就富含同類樣本間的邊界辨別信息，本發(fā)明通過引入邊界辨別約束，充分考慮挖掘了同類數(shù)據(jù)樣本之間的分布特性，有利于提取每一類樣本具有辨別力的特征，有利于增強自編碼器提取有辨別力的特征。

實施例3

基于棧式邊界辨別自編碼器的高光譜圖像分類方法同實施例1-2，本發(fā)明在步驟(3)中還計算高光譜圖像樣本類間分離度，按如下步驟進行：

通過計算l+1層隱藏層樣本a·i^(l+1)的類間分離度，將a·i^(l+1)的轉(zhuǎn)置與ld和a·i^(l+1)本身進行乘積操作，得到的sd就是樣本a·i^(l+1)的類間分離度：

它描述了不同類樣本中邊界樣本的分離程度。ld＝d-w，對于每一類c，如果樣本對(i,j)是集合中k2近鄰對中的一個，則wij＝1。

類間分離度本身就富含不同類樣本間的邊界辨別信息，本發(fā)明通過引入邊界辨別約束，約束高光譜圖像樣本的類間分離度，充分考慮挖掘了數(shù)據(jù)不同類樣本之間的分布特性，有利于提取不同類樣本之間具有辨別力的特征，有利于增強自編碼器提取有辨別力的特征。

實施例4

基于棧式邊界辨別自編碼器的高光譜圖像分類方法同實施例1-3，步驟(4)中通過梯度下降法計算自編碼器第一層網(wǎng)絡(luò)的權(quán)值w^(l)和b^(l)，按如下步驟進行：

(4.1)將高光譜圖像隱藏層樣本a·i^(l+1)的類內(nèi)對比度ss＝tr(alsa^t)與類間分離度sd＝tr(alda^t)的差值，通過辨別約束項系數(shù)λ與自編碼器樣本的重構(gòu)誤差相結(jié)合，得到誤差函數(shù)j(w,b)。

(4.2)對于網(wǎng)絡(luò)的解碼層，通過誤差函數(shù)j(w,b)采用梯度下降法，將j(w,b)對重構(gòu)特征進行偏導操作，得到解碼層殘差：

其中f'是導數(shù)；

(4.3)對于網(wǎng)絡(luò)的編碼層，通過誤差函數(shù)j(w,b)采用梯度下降法，將j(w,b)對隱藏層特征進行偏導操作，得到編碼層殘差：

其中sl是網(wǎng)絡(luò)第l層的特征維度，1≤k≤sl，i是第l+1層的第i個特征維度，解碼層殘差可以用編碼層殘差部分表示。

(4.4)根據(jù)得到的高光譜圖像編碼層殘差更新權(quán)值w^(l)和偏差b^(l)：

其中α是學習速率；

(4.5)重復步驟(4.2)-(4.4)，直至誤差函數(shù)j(w,b)不再改變；

(4.6)采用誤差反向傳播算法微調(diào)自編碼器網(wǎng)絡(luò)的參數(shù)，包括權(quán)值w^(l)和偏差b^(l)。

本發(fā)明通過自編碼器網(wǎng)絡(luò)的訓練，主要得到自編碼器網(wǎng)絡(luò)的最優(yōu)參數(shù)，通過自編碼器網(wǎng)絡(luò)的最優(yōu)參數(shù)，訓練完成棧式自編碼器網(wǎng)絡(luò)。本發(fā)明中的一些先驗信息或約束信息對于自編碼器網(wǎng)絡(luò)的特征學習是必不可少的。作為深度學習模型的主要組成部分之一，自動編碼器網(wǎng)絡(luò)主要完成了轉(zhuǎn)換學習任務(wù)，通過自編碼器網(wǎng)絡(luò)將高維數(shù)據(jù)轉(zhuǎn)換為低維數(shù)據(jù)，展示了強大的特征表示和模型泛化能力。

實施例5

基于棧式邊界辨別自編碼器的高光譜圖像分類方法同實施例1-4，步驟(6)中通過softmax邏輯回歸分類器對測試樣本集合xq進行分類，得到所有測試樣本的類別標簽yq，按如下步驟進行：

輸入測試樣本集xq，根據(jù)訓練完成的自編碼器網(wǎng)絡(luò)，通過棧式自編碼器網(wǎng)絡(luò)逐層學習特征，獲得網(wǎng)絡(luò)最后一層的輸出特征，將特征送入softmax邏輯回歸分類器進行分類，得到所有測試樣本的類別標簽yq。

在訓練樣本集xp訓練完成自編碼器網(wǎng)絡(luò)后，將測試樣本集xq輸入訓練完成的自編碼器網(wǎng)絡(luò)進行分類，得到高光譜圖像分類的結(jié)果。

實施例6

基于棧式邊界辨別自編碼器的高光譜圖像分類方法同實施例1-5，

步驟1，輸入高光譜圖像indianpines，參見圖2(a)，圖2(a)是indianpines高光譜圖像，是本發(fā)明實驗使用的數(shù)據(jù)，從indianpines高光譜圖像中獲取訓練樣本xp和測試樣本xq。

(1a)將三維的高光譜圖像indianpines轉(zhuǎn)換為二維高光譜圖像xa，xa∈r^220×21025，該圖像xa包含220個光譜波段，21025個樣本，類別標簽為1到16的樣本共有10249個；

(1b)將xa中類別標簽為1到16的樣本隨機取10％樣本組成初始訓練樣本集：xpp，xpp∈r^220×1025，其余的90％樣本組成初始測試樣本集xqq，xqq∈r^220×9224，其中，pp，qq分別代表初始訓練樣本和初始測試樣本的數(shù)量，滿足pp+qq＝10249；

步驟2，對訓練樣本集xpp和測試樣本集xqq分別按照220維光譜波段進行歸一化操作，得到歸一化后的訓練樣本集xp，xp∈r^220×1025和測試樣本集xq，xq∈r^220×9224。

步驟3，獲取第2層隱藏層特征集a⁽²⁾：

(3a)抽取初始訓練樣本集xp，設(shè)初始訓練樣本集xp位于網(wǎng)絡(luò)的第一層，即網(wǎng)絡(luò)的第一層輸入樣本可以用a⁽¹⁾表示；

(3b)利用輸入樣本a⁽¹⁾輸入自編碼器，通過前向傳播計算第2層隱藏層特征a⁽²⁾，自編碼器能夠?qū)⒏吖庾V圖像高維樣本a⁽¹⁾轉(zhuǎn)換為低維特征a⁽²⁾：

a⁽²⁾＝f(z⁽²⁾)＝f(w⁽¹⁾a⁽¹⁾+b⁽¹⁾)<1>

w⁽¹⁾是第1層輸入層和第2層隱藏層之間的權(quán)值，b⁽¹⁾是它對應(yīng)的偏差，z⁽²⁾是第1層輸入和2層隱藏層的權(quán)值和，a是隱藏層z通過激活函數(shù)f的映射值。

(3c)利用自編碼器計算第3層重構(gòu)層特征該特征能夠用于計算與樣本a⁽¹⁾的重構(gòu)誤差，重構(gòu)層特征為：

是第2層隱藏層和相應(yīng)的解碼層的連接權(quán)值，是第2層相應(yīng)的偏差。

步驟4，獲取高光譜圖像訓練樣本的類內(nèi)對比度ss和類間分離度sd；

(4a)通過引入邊界辨別約束，計算高光譜圖像樣本a·i⁽²⁾的類內(nèi)對比度：

其中a＝{a·1⁽²⁾,…,a·m⁽²⁾}是樣本矩陣，ls＝d-w是圖拉普拉斯矩陣，對角矩陣dii＝∑jwij，wij測量兩個樣本的接近程度，t表示轉(zhuǎn)置，tr表示矩陣的跡,是由xi在相同類的k1近鄰樣本組成的集合，該類內(nèi)對比度能夠挖掘同類樣本之間的分布特性，有利于提取有辨別力的特征，有利于高光譜圖像的分類，如圖3(e)所示，可以看到本發(fā)明對indianpines分類同類樣本的區(qū)域一致性比較好；

(4b)計算高光譜圖像樣本a·i⁽²⁾的類間分離度：

它描述了不同類樣本的邊界樣本的分離程度。ld＝d-w對于每一類c，如果樣對(i,j)是集合中k2近鄰對中的一個，則wij＝1，該類間分離度能夠探索不同類樣本之間的分布特性，有利于提取有辨別力的特征，有利于提高高光譜圖像分類效果，如圖3(e)所示，可以看到本發(fā)明對indianpines分類樣本的邊緣保持較好。

步驟5，獲取第一層網(wǎng)絡(luò)的權(quán)值w⁽¹⁾和b⁽¹⁾；

(5a)將高光譜圖像隱藏層樣本a·i⁽²⁾的類內(nèi)對比度ss＝tr(alsa^t)與類間分離度sd＝tr(alda^t)的差值，通過辨別約束項系數(shù)λ與自編碼器樣本的重構(gòu)誤差相結(jié)合，得到誤差函數(shù)j(w,b)；

(5b)對于解碼層，計算解碼層殘差，該殘差可以算出網(wǎng)絡(luò)輸出值與實際值之間的差距：

(5c)對于編碼層，計算編碼層殘差，該殘差表明了編碼層特征對最終輸出值的殘差產(chǎn)生多大的影響：

(5d)更新自編碼器網(wǎng)絡(luò)的權(quán)值w⁽¹⁾和偏差b⁽¹⁾：

(5e)重復步驟5b-5d，直至j(w,b)不再改變。

步驟6，第一層網(wǎng)絡(luò)的輸出特征a⁽²⁾作為第二層網(wǎng)絡(luò)的輸入特征，計算第二層網(wǎng)絡(luò)的輸出特征，即第2層，重復步驟3-5，獲取第二層網(wǎng)絡(luò)的權(quán)值w⁽²⁾和b⁽²⁾；

步驟7，將測試樣本集xq輸入自編碼器網(wǎng)絡(luò)，通過棧式自編碼器網(wǎng)絡(luò)逐層學習得到網(wǎng)絡(luò)的最后一層的輸出特征，將輸出特征通過softmax邏輯回歸分類器進行分類，得到測試樣本的類別標簽yq，即為本發(fā)明高光譜圖像的分類結(jié)果如圖3(e)所示。

下面通過仿真實驗對本發(fā)明的技術(shù)效果進行說明。

實施例8

基于棧式邊界辨別自編碼器的高光譜圖像分類方法同實施例1-7，

仿真條件

實驗采用的數(shù)據(jù)是典型的aviris高光譜圖像：該數(shù)據(jù)是美國印第安納州西北部印第安遙感試驗區(qū)的高光譜圖像，總共有16類地物，成像時間為1992年6月。數(shù)據(jù)共有220個波段，每個波段圖像的大小為145×145，空間分辨率為20m。由第50個，第27個和第17個波段構(gòu)成偽彩色圖像，如圖2(b)所示。該圖像的真實標記圖如圖2(c)所示。indianpines圖像由16類地物組成，具體包括：alfalfa,corn-notill,corn-mintill,corn,grass-pasture,grass-trees,grass-pasture-mowed,hay-windrowed,oats,soybean-notill,soybean-mintill,soybean-clean,wheat,woods,building-grass-trees-drives,stone-steel-towers種類。

仿真實驗在cpu為intelcore(tm)2duo、主頻2.33ghz、內(nèi)存4g的windows7系統(tǒng)上使用matlabr2014進行仿真。

仿真內(nèi)容

在實驗中，采用本發(fā)明與已有四種方法對indianpines高光譜圖像進行分類。已有的四種方法包括：基于徑向基函數(shù)的支持向量機rbf-svm，k最近鄰方法knn，基于獨立成分分析的支持向量機ica-svm，棧式自編碼器sae。

在實驗中，從每一類中隨機選取10％的樣本作為訓練樣本，剩余的90％樣本作為測試樣本。實驗進行30次獨立迭代，列舉了相應(yīng)指標的均值和標準差結(jié)果。這里使用的評估分類結(jié)果的指標包括：正確分類的測試樣本數(shù)目和整體測試樣本數(shù)目之比oa、所有類別分類精確度的均值aa和評估分類結(jié)果一致性的kappa系數(shù)。

以圖3(a)-(e)中，下方的矩形框區(qū)域為例，該區(qū)域?qū)?yīng)的是圖2(c)中下方相應(yīng)區(qū)域，圖2(c)是本發(fā)明使用的高光譜圖像真實的類別標簽圖。圖3(a)中下方矩形框中四周邊緣噪聲點比較多，圖3(b)中下方矩形框中中間區(qū)域噪聲點比較多，圖3(c)和圖3(d)下方矩形框中左右邊緣噪聲點比較多，而在圖3(e)中，本發(fā)明分類圖下方矩形框中左邊和中間區(qū)域一致性比較好，噪聲點比較少，右邊區(qū)域有部分噪聲點，但是相比圖3(a)-(d)中相應(yīng)區(qū)域的噪聲點相比而言，本發(fā)明的分類圖圖3(e)效果更佳，再則，該區(qū)域右邊噪聲點也是原圖的真實反映。

實施例9

基于棧式邊界辨別自編碼器的高光譜圖像分類方法同實施例1-8，仿真條件和內(nèi)容同實施例8

從人眼目視效果可以看出來一定的效果，但是數(shù)據(jù)更是能從精確的角度表現(xiàn)分類結(jié)果。

用本發(fā)明與已有的rbf-svm、knn、ica-svm、sae這四種方法對indianpines高光譜圖像進行分類，結(jié)果如表1所示。

表1五種方法對indianpines高光譜圖像的分類結(jié)果

在表1中，展示了五種方法對于indianpines高光譜圖像中每種類別的分類精度和對所有類別的oa、aa、和kappa結(jié)果。

從表1可以看出，由于rbf-svm和ica-svm在小樣本非線性問題上的卓越性能，rbf-svm和ica-svm取得了比knn更好的分類性能。對比于rbf-svm，knn，ica-svm，sae，本發(fā)明通過樣本的邊界辨別約束自編碼器，引入樣本的類內(nèi)對比度和類間分離度，可以提供先驗信息和約束信息，更高效的提取有辨別力的特征，獲得更好的分類性能，本發(fā)明取得了比其它四種對比方法更好的分類精度。對于所有類別的oa、aa、kappa指標，本發(fā)明方法也取得了比其它四種對比方法更好的結(jié)果。

用rbf-svm，knn、ica-svm、sae這四種方法和本發(fā)明對indianpines高光譜圖像通過實驗比對進行分類，得到五種方法對16類地物的真實分類，如圖3所示，其中：圖3中(a)-(e)分別是rbf-svm、knn、ica-svm、sae和本發(fā)明對indianpines高光譜圖像的分類圖。

比較圖3中左側(cè)和右側(cè)區(qū)域的矩形框標注的類別的分類結(jié)果，可以發(fā)現(xiàn)使用本發(fā)明方法比其它對比方法具有更好的區(qū)域一致性。比較圖3中中間和下方區(qū)域的矩形框標注的類別的分類結(jié)果，可見使用本發(fā)明方法比其它對比方法具有更好的邊界保持能力。

綜上，本發(fā)明利用自編碼器模型，通過棧式自編碼器網(wǎng)絡(luò)逐層學習的方法，通過樣本的類內(nèi)對比度和類間分離度，引入邊界辨別約束，挖掘探索了樣本的分布特性，獲得了有辨別力的特征，提高了高光譜圖像分類效果。

簡而言之，本發(fā)明公開的一種基于棧式邊界辨別自編碼器的高光譜圖像分類方法，主要解決現(xiàn)有技術(shù)對高光譜圖像分類性能不佳的問題。其實現(xiàn)方案是：將多個自編碼器網(wǎng)絡(luò)堆疊形成棧式自編碼器網(wǎng)絡(luò)，利用棧式自編碼器網(wǎng)絡(luò)逐層學習特征，利用樣本間的分布特性，通過類內(nèi)對比度和類間分離度對棧式自編碼器進行邊界辨別約束，提高棧式自編碼器網(wǎng)絡(luò)學習特征能力；通過最小化棧式自編碼器網(wǎng)絡(luò)的誤差函數(shù)，學習出棧式自編碼器網(wǎng)絡(luò)的權(quán)值和偏差；用學習到的棧式自編碼器網(wǎng)絡(luò)，對未知高光譜圖像分類。本發(fā)明采用的棧式自編碼器網(wǎng)絡(luò)分類方法，提高了特征學習能力，改善了分類性能，圖像分類精度高，適用不同類型的復雜數(shù)據(jù)圖像的處理，可用于農(nóng)業(yè)監(jiān)測、地質(zhì)勘探、災(zāi)害環(huán)境評估等領(lǐng)域地物的區(qū)分和辨別。