本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及高光譜圖像分類，具體是一種基于非下采樣輪廓波(nsct)變換和深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)的高光譜圖像分類方法?？蓱?yīng)用于氣象監(jiān)測、環(huán)境監(jiān)測、土地利用、城市規(guī)劃及防災(zāi)減災(zāi)等。
背景技術(shù)：
：高光譜遙感圖像由于是對物體在大范圍波段內(nèi)連續(xù)成像，具有光譜分辨率高、蘊含信息豐富的優(yōu)點，因此，高光譜圖像在遙感領(lǐng)域得到了廣泛的應(yīng)用。高光譜圖像分類在地質(zhì)勘探、食品安全、環(huán)境監(jiān)測等領(lǐng)域有著重要的應(yīng)用，也是高光譜遙感領(lǐng)域其他應(yīng)用的基礎(chǔ)，其目的是對大范圍波段連續(xù)成像的像元按照其語義劃分為不同的地物類別。近年來，隨著計算機并行計算能力的快速提高以及各類數(shù)據(jù)數(shù)據(jù)量的指數(shù)級增長，深度神經(jīng)網(wǎng)絡(luò)作為一種強大的特征提取方法已受到國內(nèi)外學者的廣泛關(guān)注并已成功應(yīng)用于圖像、文本、語音、視頻等數(shù)據(jù)的特征提取中且普遍取得了比傳統(tǒng)方法更好的效果，因此也被引入到高光譜圖像的分類中來。目前基于深度神經(jīng)網(wǎng)絡(luò)進行高光譜圖像分類的方法有基于棧式自編碼(sae)的，基于深度置信網(wǎng)(dbn)的和基于深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)的。zhouhanlin等人在其發(fā)表的論文“deeplearning-basedclassificationofhyperspectraldata”(ieeejournalofselectedtopicsinappliedearthobservationsandremotesensing2014)中使用sae對高光譜圖像進行分類，該方法將原始高光譜圖像塊取7×7小塊，然后用主成分分析(pca)對每一個小塊在光譜維度進行降維，將降維后的圖像拉伸成向量作為sae的輸入，用sae提取非線性特征，最后用支持向量機(svm)進行分類。tongli等人在論文“classificationofhyperspectralimagebasedondeepbeliefnetworks”(ieeetransactionsonimageprocessing2014)中使用dbn對高光譜圖像進行分類，該方法將圖像用pca降維后對每個像素取7×7小塊，然后拉成向量再與原始像素向量進行拼接，這樣得到的長向量作為深度置信網(wǎng)(dbn)的輸入，最后用邏輯回歸(lr)分類器進行分類。sae和dbn都需要輸入的數(shù)據(jù)為一維的向量，因此，在使用sae和dbn進行高光譜圖像分類時都需要先將輸入數(shù)據(jù)轉(zhuǎn)化成一維的向量形式，dcnn可以允許二維圖像的輸入，因此在保留像素空間信息的情況下，dcnn具有更低的輸入復雜度，因而在高光譜圖像分類應(yīng)用中使用得最為廣泛。konstantinosmakantasis等人在論文“deepsupervisedlearningforhyperspectraldataclassificationthroughconvolutionalneuralnetworks”(ieeeigarss2015)中使用dcnn對高光譜圖像進行分類，該方法首先對原始高光譜圖像使用隨機化主成分分析(r-pca)進行降維，然后對降維后的圖像進行取塊，劃分訓練集、驗證集和測試集，最后將訓練集用于dcnn的訓練。上述基于深度神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法都不同程度地提高了高光譜圖像的分類精度。然而，這些高光譜圖像分類方法都是在空間域和光譜域進行的，并未對高光譜圖像潛在的邊緣和紋理細節(jié)信息進行挖掘，而高光譜圖像提高光譜分辨率的同時會不可避免地壓縮高光譜圖像的空間分辨率，從而導致高光譜圖像的空間紋理細節(jié)信息需要一定的技術(shù)才能挖掘出來，因此上述方法均存在不能有效提取高光譜圖像細節(jié)信息的問題。技術(shù)實現(xiàn)要素：本發(fā)明針對上述已有技術(shù)的不足，提出一種將非下采樣輪廓波變換和深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合進行高光譜圖像分類的方法。本發(fā)明是一種基于非下采樣輪廓波(nsct)變換和深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)的高光譜圖像分類方法，其特征在于，包括有如下步驟：(1)輸入任選的一幅尺寸為h×w×n待分類高光譜圖像；(2)對該高光譜圖像進行降維，對降維后的每一個主分量分別進行非下采樣輪廓波(nsct)變換，保留高頻子帶系數(shù)矩陣，并將高頻子帶系數(shù)矩陣進行疊加，得到立體塊；(3)對立體塊進行歸一化操作；(4)對歸一化后得到的立體塊以每個像素點為中心遍歷整個立體塊進行取塊操作，得到樣本集合；(5)在樣本集合中隨機選取80％為訓練樣本集，隨機選取10％為驗證樣本集，剩下的10％為測試樣本集，每一個樣本均有各自的參考標簽；(6)構(gòu)造一個具有四個卷積層，兩個全連接層的深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)，并用softmax函數(shù)作為分類器，設(shè)置網(wǎng)絡(luò)的超參數(shù)；(7)對深度卷積神經(jīng)網(wǎng)絡(luò)進行有監(jiān)督訓練，通過驗證樣本調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)并防止過擬合，得到訓練好的深度卷積神經(jīng)網(wǎng)絡(luò)；(8)將測試樣本輸入到訓練好的網(wǎng)絡(luò)中，得到實際的分類標簽，畫出待分類高光譜圖像的地物分類結(jié)果圖；將分類標簽與測試樣本的參考標簽進行對比，計算出測試樣本分類的總體精度(oa)、平均精度(aa)以及kappa系數(shù)，畫出訓練樣本和驗證樣本隨著迭代次數(shù)的增加的損失曲線圖，完成高光譜圖像的地物分類。本發(fā)明能夠充分利用高光譜圖像非下采樣輪廓波變換變換域的特征，該特征不僅能包含高光譜圖像的邊緣和紋理細節(jié)信息，還能在一定程度上反映高光譜像元之間的局部空間關(guān)系，本發(fā)明還通過深度卷積神經(jīng)網(wǎng)絡(luò)對這些特征進行進一步的整合和提取，從而獲得更具判別性的特征，將這些特征輸入到softmax分類器中進行分類，提高了高光譜圖像分類的性能。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：第一，本發(fā)明利用了非下采樣輪廓波變換的多尺度、多方向和各向異性特性來提取高光譜圖像的邊緣和紋理細節(jié)特征，不僅減少了原始高光譜圖像中對分類沒有貢獻的信息，還能在一定程度上保留高光譜圖像像素之間的局部空間關(guān)系，有利于高光譜圖像的分類。第二，本發(fā)明在進行分類之前，使用了深度卷積神經(jīng)網(wǎng)絡(luò)對變換得到的多個尺度的特征進行進一步的整合和提取并通過全連接層對提取后的特征進行加權(quán)組合，從而對于不同的類別，全連接層能夠輸出不同的特征組合。相對于直接將經(jīng)過nsct變換得到的高頻子帶系數(shù)輸入到分類器中進行分類的方法，本發(fā)明能夠提取出更具判別性的特征從而提高分類性能。附圖說明圖1是本發(fā)明的基于非下采樣輪廓波變換和深度卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法流程圖；圖2是本發(fā)明實驗使用圖像及其真實地物分類圖；圖3是本發(fā)明與現(xiàn)有技術(shù)對圖2的分類結(jié)果對比圖；圖4是本發(fā)明對圖2的訓練以及驗證樣本隨著迭代次數(shù)增加的誤差曲線圖。具體實施方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案和效果做詳細描述。實施例1高光譜遙感是利用成像光譜儀，從電磁波譜的紫外一直到熱紅外波段范圍內(nèi)以小于10nm的波段寬度對地表同時成像的技術(shù)，它不僅能夠反映物體的表面特性，而且能夠反映物體的內(nèi)在特性，因此在遙感領(lǐng)域得到了廣泛的應(yīng)用。高光譜圖像分類是高光譜遙感應(yīng)用領(lǐng)域非常重要的一個領(lǐng)域，也是高光譜遙感許多其他應(yīng)用的基礎(chǔ)，因此是目前高光譜遙感研究最為廣泛的一個領(lǐng)域。目前大部分高光譜圖像分類方法都是在空間域進行的，而高光譜圖像提高光譜分辨率的同時會不可避免地壓縮高光譜圖像的空間分辨率，從而導致高光譜圖像的邊緣和紋理細節(jié)信息需要一定的技術(shù)才能挖掘出來，現(xiàn)有方法均存在不能有效提取高光譜圖像細節(jié)信息的問題。為了得到更好的分類效果，本發(fā)明提出一種基于非下采樣輪廓波(nsct)變換和深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)的高光譜圖像分類方法，參見圖1，本發(fā)明針對高光譜圖像的分類，包括有如下步驟：(1)輸入任選的一幅尺寸為h×w×n待分類高光譜圖像，h為高光譜圖像的高，w為高光譜圖像的寬，n為高光譜圖像光譜維的維度。通常高光譜圖像光譜維的維度都在100～1000之間。(2)由于高光譜圖像的光譜維具有很高的維度，即n很大，因此在對高光譜圖像進行nsct變換之前需要對該高光譜圖像進行降維，目前常用的降維方法有主成分分析(pca)、線性判別分析(lda)、局部保持映射(lpp)等，本發(fā)明降維的目的是在降低高光譜圖像維度的同時最大限度地保留高光譜圖像的能量，本例中本發(fā)明采用實現(xiàn)最簡單的pca對高光譜圖像進行降維。對降維后的每一個主分量分別進行nsct變換，nsct變換能夠在多個尺度上對高光譜圖像的低頻部分和高頻部分進行分離，其中高頻部分包含有高光譜圖像的紋理細節(jié)信息，因此本發(fā)明僅保留高頻子帶系數(shù)矩陣，并將高頻子帶系數(shù)矩陣進行疊加，得到立體塊。本發(fā)明使用其他的降維方法同樣能夠?qū)崿F(xiàn)高光譜圖像的降維。(3)為了減小立體塊中不同像素點值的差異，并利于后續(xù)的網(wǎng)絡(luò)訓練，對立體塊進行歸一化操作。(4)由于高光譜圖像空間分辨率較低，而且有標記樣本十分有限，因此不能直接對整幅高光譜圖像進行分類，本發(fā)明對歸一化后得到的立體塊以每個像素點為中心遍歷整個立體塊進行取塊操作，得到樣本集合。(5)在樣本集合中隨機選取80％為訓練樣本集，隨機選取10％為驗證樣本集，剩下的10％為測試樣本集，每一個樣本均有各自的參考標簽。(6)構(gòu)造一個具有四個卷積層，兩個全連接層的深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)，使用多層卷積層可以通過逐層擴大局部感受野提取抽象的特征。因為輸入樣本的尺寸有限，本網(wǎng)絡(luò)均不采用下采樣操作。全連接層可以對卷積層提取的特征進行加權(quán)組合，不同的地物類別通過不同的加權(quán)組合可以得到非常具有判別性的特征，最后將這些特征輸入到softmax函數(shù)中進行分類。設(shè)置每一層卷積層卷積核的尺寸、卷積核的個數(shù)、卷積操作的步長、全連接層神經(jīng)元的個數(shù)、學習率、最大迭代次數(shù)，提前終止(earlystopping)的參數(shù)patience，批(batch)的大小等超參數(shù)。本發(fā)明的深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)從輸入到輸出的順序依次是輸入層-第一卷積層-第二卷積層-第三卷積層-第四卷積層-第一全連接層-第二全連接層-softmax層，softmax層輸出最終的分類結(jié)果。(7)對深度卷積神經(jīng)網(wǎng)絡(luò)進行有監(jiān)督訓練，使用交叉熵損失函數(shù)計算實際輸出與參考輸出之間的誤差，并通過自適應(yīng)梯度(adagrad)來更新dcnn的權(quán)重。通過驗證樣本調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)并防止過擬合，得到訓練好的深度卷積神經(jīng)網(wǎng)絡(luò)。(8)將測試樣本輸入到訓練好的網(wǎng)絡(luò)中，得到實際的分類標簽，畫出待分類高光譜圖像的地物分類結(jié)果圖；將分類標簽與測試樣本的參考標簽進行對比，計算出測試樣本分類的總體精度(oa)、平均精度(aa)以及kappa系數(shù)。畫出訓練樣本和驗證樣本隨著迭代次數(shù)的增加的損失曲線圖，完成高光譜圖像的地物分類。本發(fā)明利用了非下采樣輪廓波變換的多尺度、多方向和各向異性特性來提取高光譜圖像的邊緣和紋理細節(jié)特征，這些邊緣和紋理細節(jié)特征通過dcnn的進一步整合和提取，能夠獲得更具有判別性的特征，從而提高高光譜圖像分類的性能。實施例2基于nsct變換和dcnn的高光譜圖像分類方法同實施例1，本發(fā)明步驟(2)中的非下采樣輪廓波(nsct)變換，按照如下步驟進行：(2a)對原始高光譜圖像在光譜方向上使用主成分分析(pca)進行降維操作，綜合主分量的能量保留情況和后續(xù)nsct變換的計算復雜度，本發(fā)明保留前3個主分量。(2b)對降維后得到的3個主分量分別進行3級非下采樣輪廓波(nsct)變換，變換得到的子帶系數(shù)矩陣與變換級數(shù)成指數(shù)關(guān)系，即第k級變換是對第k-1級nsct變換得到的低頻子帶系數(shù)矩陣進一步分解得到的，經(jīng)過第k級變換得到1個低頻子帶系數(shù)矩陣和2k個高頻子帶系數(shù)矩陣，每一個子帶系數(shù)矩陣的尺寸均為h×w，k＝1,2,3。綜合不同尺度的細節(jié)信息的獲取情況和后續(xù)網(wǎng)絡(luò)的計算復雜度，本發(fā)明采用3級非下采樣輪廓波(nsct)變換。(2c)由于低頻子帶系數(shù)矩陣幾乎不包含能夠區(qū)分不同地物的信息，因此本發(fā)明僅保留每一級變換的高頻子帶系數(shù)矩陣，并將所有的高頻子帶系數(shù)矩陣在第三個維度進行疊加得到第三個維度的維數(shù)c，c＝3×(21+22+23)＝42維，最終得到一個尺寸為h×w×c的立體塊。nsct變換作為一種多尺度幾何分析方法，具有多方向、多尺度和各向異性的特性，對二維圖像具有最優(yōu)的表示能力，在本發(fā)明中也有充分體現(xiàn)。本發(fā)明不僅給出了對降維后的高光譜圖像進行nsct變換的方法，還給出了進行3級nsct變換具體方案，在nsct變換中，若進行變換的級數(shù)過少，會導致高光譜圖像的邊緣和紋理細節(jié)信息挖掘不充分。若進行變換的級數(shù)過多，則會大大增加nsct變換后立體塊第三維的維度，從而導致在使用dcnn進行訓練時計算復雜度過高，訓練時間過長。綜合試驗與理論分析，本發(fā)明采用3級nsct變換是比較合理的。實施例3基于nsct變換和dcnn的高光譜圖像分類方法同實施例1-2，本發(fā)明步驟(4)所述的取塊操作，按照如下步驟進行：(4a)為了對原始高光譜圖像中的每一個像素進行分類，在取塊之前，對高頻子帶系數(shù)矩陣疊加得到的立體塊外圍進行2層0填充操作，得到一個尺寸為(h+4)×(w+4)×c的立體塊；(4b)以每個像素點為中心，用5×5的滑動窗對立體塊進行取塊操作，所取塊的尺寸為5×5×c；(4c)剔除中心像素點的類別標簽值為0的塊，完成取塊操作，得到樣本集合。因為高光譜圖像空間分辨率普遍較低，不能直接對整幅高光譜圖像進行分類，需要對每一類地物像素進行分類，本發(fā)明在進行分類前的取塊操作，既擴充了樣本的數(shù)量，又保留了地物像素之間的局部空間關(guān)系。實施例4基于nsct變換和dcnn的高光譜圖像分類方法，同實施例1-3，步驟(6)所述的深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)網(wǎng)絡(luò)超參數(shù)設(shè)置，按照如下步驟進行：(6a)因為輸入塊的尺寸為5×5×c，設(shè)置每一層卷積層卷積核的尺寸為3×3，第一卷積層的卷積核個數(shù)為3×c，第二卷積層的卷積核個數(shù)為6×c，第三卷積層的卷積核個數(shù)為6×c，第四卷積層的卷積核個數(shù)為9×c，第一全連接層神經(jīng)元個數(shù)為6×c，第二全連接層神經(jīng)元個數(shù)為3×c，為了加深網(wǎng)絡(luò)結(jié)構(gòu)，在第一卷積層和第二卷積層在進行卷積之前對前一層的輸入進行1層0填充操作。(6b)隨機初始化網(wǎng)絡(luò)的權(quán)重w和偏置b，設(shè)置學習率為0.005，最大迭代次數(shù)為500，提前終止(earlystopping)的參數(shù)patience為40，批(batch)的大小為512。實施例5基于nsct變換和dcnn的高光譜圖像分類方法，同實施例1-4，步驟(7)所述的有監(jiān)督訓練過程，按照如下步驟進行：(7a)將每一個塊的中心像素所對應(yīng)的標簽值轉(zhuǎn)化成one-hot形式的類別標簽向量，即對于c類的類別標簽向量[c1,c2,…,ck,…cn]，若中心像素對應(yīng)得類別為k，則該類別標簽向量只有ck為1，其余元素均為0；(7b)將訓練樣本分批輸入到dcnn中，對應(yīng)的類別標簽向量作為softmax分類器的參考輸出，softmax分類器的定義如下：其中表示第l層第j個神經(jīng)元的輸出，為第l層第j個神經(jīng)元的輸入，其定義為：其中為l-1層的輸出，即全連接層的輸出，為偏置，l層為softmax層，這是一個概率值，表示屬于第j類的概率，對于l層每一個神經(jīng)元均輸出一個概率值，表示當前輸入分別屬于每一類的概率，其中最大的概率所屬的類別就是輸入圖像所屬的類別。由上述softmax分類器定義可知，所有概率值相加和為1。(7c)計算網(wǎng)絡(luò)的實際輸出；(7d)使用交叉熵損失函數(shù)計算實際輸出與參考輸出之間的誤差，并通過自適應(yīng)梯度(adagrad)來更新網(wǎng)絡(luò)的w和b，交叉熵損失函數(shù)的定義如下：對于m個訓練樣本，其損失函數(shù)定義如下：其中1{y(i)＝j(luò)}為示性函數(shù)，其取值規(guī)則為1{表達式的值為真}＝1，1{表達式的值為假}＝0。；(7e)使用驗證樣本對網(wǎng)絡(luò)訓練情況進行監(jiān)測以調(diào)整網(wǎng)絡(luò)的超參數(shù)，使用提前終止策略來防止網(wǎng)絡(luò)過擬合，每進行一次迭代，計算一次驗證樣本的分類精度，記錄下最佳的分類精度，當驗證樣本的分類精度在40次內(nèi)不再提高時停止訓練。本發(fā)明在進行分類之前，使用了深度卷積神經(jīng)網(wǎng)絡(luò)對變換得到的多個尺度的特征進行進一步的整合，通過不斷擴大感受野逐層提取越來越抽象的特征，然后通過全連接層對這些抽象的語義特征進行加權(quán)組合，從而對于不同的類別，全連接層能夠輸出不同的特征組合，將這些特征組合輸入到softmax分類器中，能夠更加有效地對高光譜圖像的不同地物進行分類。下面給出一個更加詳盡的例子，對本發(fā)明進一步說明：實施例6基于nsct變換和dcnn的高光譜圖像分類方法同實施例1-5，參照附圖1，本發(fā)明的具體步驟如下：步驟1：輸入圖像。輸入一幅尺寸為145×145×220的高光譜圖像，如圖2所示，其中圖2(a)為輸入的高光譜圖像的偽彩色圖，圖2(b)為2(a)對應(yīng)的真實地物分類圖。步驟2：對高光譜圖像進行降維。對數(shù)據(jù)進行降維的方法有pca，lda，lpp等方法，本發(fā)明使用pca方法對步驟1中輸入的高光譜圖像進行降維處理，具體步驟如下：2.1求出輸入的高光譜圖像的協(xié)方差矩陣；2.2根據(jù)協(xié)方差矩陣得到輸入的高光譜圖像的分量圖；2.3保留前3個能量值最大的分量圖。步驟3：nsct變換。對這3個分量圖分別作3級nsct變換，提取變換域特征，然后將得到的這些特征圖進行疊加組成立體塊i。具體步驟如下：3.1對于每一個分量圖，進行一級nsct變換得到1個低頻子帶系數(shù)矩陣和2個高頻子帶系數(shù)矩陣，所有矩陣的尺寸均為145×145×1；3.2對第一級nsct變換得到的低頻子帶系數(shù)矩陣進行第二級nsct變換，得到一個低頻子帶系數(shù)矩陣和22＝4個高頻子帶系數(shù)矩陣，所有矩陣的尺寸均為145×145×1；3.3對第二級nsct變換得到的低頻子帶系數(shù)矩陣進行第三級nsct變換，得到一個低頻子帶系數(shù)矩陣和23＝8個高頻子帶系數(shù)矩陣，所有矩陣的尺寸均為145×145×1；3.4將三個主分量進行三級nsct變換得到的高頻子帶系數(shù)矩陣進行疊加，得到一個尺寸為145×145×42的立體塊。步驟4：獲取訓練樣本、驗證樣本和測試樣本對得到的立體塊沿空間方向進行逐像素取塊可以得到大量的小塊，每個小塊的標簽值為中心像素的標簽值。在這些小塊中，有一部分標簽值為0，這一部分像素是背景像素，不代表任何地物，因此，剔除這些標簽值為0的小塊。具體步驟如下：4.1對得到的立體塊進行兩層0填充操作，以每個像素點為中心，用5×5的滑動窗對立體塊進行取塊操作，得到21025個尺寸為5×5×42的小塊；4.2剔除中心像素點的類別標簽值為0的小塊，得到10249個小塊作為樣本集合；4.3對樣本集合隨機選取80％作為訓練樣本集合，總的訓練樣本數(shù)為8200，對樣本集合隨機選取10％作為驗證樣本集合，驗證樣本數(shù)為1024，剩下的10％作為測試樣本，測試樣本數(shù)為1025。步驟5：dcnn的網(wǎng)絡(luò)配置和訓練5.1搭建一個由四個卷積層，兩個全連接層，一個softmax輸出層的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；5.2隨機打亂訓練樣本的順序，將得到的訓練樣本集合以512個為一批輸入到搭建好的網(wǎng)絡(luò)中；5.3網(wǎng)絡(luò)的第一層為卷積層，卷積核的大小為3×3，卷積核的個數(shù)為3×42，卷積核的步長為1，采用隨機初始化方式對卷積核的連接權(quán)重進行初始化，連接偏置初始化為0，在進行卷積之前對輸入到卷積層的數(shù)據(jù)外圍進行1層0填充操作。卷積之后輸出的特征圖個數(shù)為3×42，尺寸為5×5；5.4網(wǎng)絡(luò)的第二層為卷積層，輸入為上一層卷積層輸出的特征圖，卷積核的大小為3×3，卷積核的個數(shù)為6×42，卷積核的步長為1，采用隨機初始化方式對卷積核的連接權(quán)重進行初始化，連接偏置初始化為0，在進行卷積之前對上一個卷積層輸出的特征圖外圍進行1層0填充操作。卷積之后輸出的特征圖個數(shù)為6×42，尺寸為5×5；5.5網(wǎng)絡(luò)的第三層為卷積層，輸入為上一層卷積層輸出的特征圖，卷積核的大小為3×3，卷積核的個數(shù)為6×42，卷積核的步長為1，采用隨機初始化方式對卷積核的連接權(quán)重進行初始化，連接偏置初始化為0，卷積之后輸出的特征圖個數(shù)為6×42，尺寸為3×3；5.6網(wǎng)絡(luò)的第四層為卷積層，輸入為上一層卷積層輸出的特征圖，卷積核的大小為3×3，卷積核的個數(shù)為9×42，卷積核的步長為1，采用隨機初始化方式對卷積核的連接權(quán)重進行初始化，連接偏置初始化為0，卷積之后輸出的特征圖個數(shù)為9×42，尺寸為1×1；5.7網(wǎng)絡(luò)的第五層為全連接層，輸入為上一層卷積層輸出的特征圖，神經(jīng)元的個數(shù)設(shè)為6×42，激活函數(shù)為sigmoid函數(shù)；5.8網(wǎng)絡(luò)的第六層為全連接層，輸入為上一層全連接層的輸出，神經(jīng)元的個數(shù)設(shè)為3×42，激活函數(shù)為sigmoid函數(shù)；5.9網(wǎng)絡(luò)的第七層為輸出層，輸出類別為16類，采用softmax函數(shù)將上一層全連接層的輸出歸一化到每個元素值為[0,1]之間的向量；5.10將softmax函數(shù)輸出的向量與真實的標簽向量使用交叉熵損失函數(shù)計算誤差，然后通過后向傳播和自適應(yīng)梯度法從后往前逐層更新網(wǎng)絡(luò)的連接權(quán)重和偏置；5.11設(shè)置網(wǎng)絡(luò)最大迭代次數(shù)為500次，學習率為0.005；5.12為了防止網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象，采用提前終止策略，設(shè)提前終止策略的參數(shù)為40，網(wǎng)絡(luò)每進行一次迭代計算一次驗證樣本的分類精度，記錄下最佳的分類精度，當驗證樣本的分類精度在40次內(nèi)不再提高時停止訓練。步驟6：計算結(jié)果。將測試樣本輸入到訓練好的網(wǎng)絡(luò)中，得到實際的分類標簽，畫出待分類高光譜圖像的地物分類結(jié)果圖；將分類標簽與測試樣本的參考標簽進行對比，計算出測試樣本中每一個地物類別的分類精度、通過混淆矩陣計算分類的總體精度(oa)、平均精度(aa)以及kappa系數(shù)，畫出訓練樣本和驗證樣本隨著迭代次數(shù)的增加的損失曲線圖，完成高光譜圖像的地物分類。其中混淆矩陣的定義如下：式中c表示有c個類別，mab表示a類樣本被錯分到b類的個數(shù)。因此，主對角線上的元素就表示每一類樣本被正確分類的個數(shù)，顯然，每一行或者每一列的元素值的總和即每一類的樣本個數(shù)是一定的，因此，主對角線上的元素越大，每一類樣本被正確分類的個數(shù)就越高。根據(jù)混淆矩陣，可以計算遙感圖像分類結(jié)果評價中使用最廣泛的三個評價指標，即總體精度(oa)、平均精度(aa)和kappa系數(shù)。oa的定義為：trace(cm)表示混淆矩陣cm的跡，即混淆矩陣cm主對角線上所有元素的和也即所有樣本中被正確分類的個數(shù)，n表示所有測試樣本的總數(shù)。aa的定義如下：其中mi+＝∑jmij表示第i行所有元素的和，c表示類別總數(shù)。kappa系數(shù)的定義如下：其中m+i＝∑imij表示第i列所有元素的和。kappa系數(shù)利用了混淆矩陣中的所有因子，相比總體精度和平均精度，它可以消除分類結(jié)果存在的不確定性，從而更加全面地反映分類效果。kappa系數(shù)的取值范圍為[-1,1]，一般均為正值，值越接近于1，表明算法的分類性能就越好。下面通過仿真實驗對本發(fā)明的技術(shù)效果再做說明：實施例7基于nsct變換和dcnn的高光譜圖像分類方法同實施例1-6，仿真實驗條件：本發(fā)明的硬件測試平臺是：處理器為intercorei5-4210h，主頻為2.90ghz，內(nèi)存為12gb，軟件平臺為：ubuntu14.04lts64操作系統(tǒng)，matlabr2013b，theano0.8.2，lasagne0.1，nolearn0.6.0。本發(fā)明的輸入圖像為16類高光譜圖像，大小為145×145×220，格式為mat。仿真內(nèi)容：用現(xiàn)有技術(shù)中的基于svm的高光譜圖像分類方法(svm)和對高光譜圖像降維后直接輸入到dcnn中進行分類的方法(pca-dcnn)以及本發(fā)明對同一幅高光譜圖像進行地物分類的方法(nsct-dcnn)，對比的這些方法的結(jié)果。現(xiàn)有技術(shù)中的svm方法和pca-dcnn方法如下：jagualtieri等在文獻“supportvectormachinesforclassificationofhyperspectraldata.ieeeigarss2000”中提到的用svm對高光譜圖像進行分類的方法(svm方法)。對高光譜圖像使用pca進行降維，保留前三個能量最大的主分量，不進行nsct變換，將三個主分量進行疊加，其他配置與nsct-dcnn一致(pca-dcnn)。仿真結(jié)果分析：表1是本發(fā)明方法與現(xiàn)有技術(shù)方法對圖2(a)進行分類得到的三種評價指標值。圖3是本發(fā)明方法與現(xiàn)有技術(shù)對高光譜圖像分類效果圖。其中，圖3(a)為svm方法分類結(jié)果圖，圖3(b)為pca-dcnn方法分類結(jié)果圖，圖3(c)為本發(fā)明發(fā)明的分類結(jié)果圖。對比圖3(a)、圖3(b)和圖3(c)，可見，在用svm方法和pca-dcnn方法得到的結(jié)果中在勻質(zhì)區(qū)域存在較多的錯分情況，且在邊緣處也存在不少錯分情況，在用本發(fā)明圖3(c)中，對于勻質(zhì)區(qū)域的分類，除了極少數(shù)像素點，絕大部分區(qū)域都能夠正確地分類，對于邊緣區(qū)域，邊緣輪廓清晰，更準確地反映了原圖的地物分布。對比表1可以看出本發(fā)明方法相比于現(xiàn)有方法在三種評價指標上均有很大的提升。表1本發(fā)明方法與現(xiàn)有技術(shù)方法對圖2(a)進行分類得到的三種評價指標值svmpca-dcnnnsct-dcnnoa81.1478.73％98.98％aa85.2879.75％98.19％kappa0.8370.7570.989實施例8基于nsct變換和dcnn的高光譜圖像分類方法同實施例1-6，仿真條件和仿真內(nèi)容同實施例7，圖4是本發(fā)明對圖2(a)的訓練以及驗證誤差曲線圖，圖4中帶“++”的曲線為本發(fā)明訓練誤差隨著迭代次數(shù)的增加逐漸減小的曲線圖，實線為本發(fā)明驗證誤差隨著迭代次數(shù)的增加逐漸減小的曲線圖，對照兩條曲線可見，驗證樣本誤差隨著訓練樣本誤差的減小而減小，在迭代次數(shù)較少時出現(xiàn)輕微波動，但趨勢是隨著迭代次數(shù)的增加而減小的，在兩條曲線的后端均達到很低的誤差并趨于平穩(wěn)。說明本發(fā)明并不存在過擬合現(xiàn)象。綜上所述，本發(fā)明公開的基于非下采樣輪廓波(nsct)變換和深度卷積神經(jīng)網(wǎng)絡(luò)(dcnn)的高光譜圖像分類方法，克服了現(xiàn)有技術(shù)中不能充分挖掘待分類的高光譜圖像中的方向性和紋理細節(jié)信息的問題。本發(fā)明的實現(xiàn)為：輸入高光譜圖像；進行nsct變換；對變換后的立體塊歸一化并進行取塊操作；在樣本集合中隨機選取訓練樣本集，驗證樣本集和測試樣本集；構(gòu)造深度卷積神經(jīng)網(wǎng)絡(luò)，設(shè)置網(wǎng)絡(luò)的超參數(shù)；訓練網(wǎng)絡(luò)；測試樣本輸入網(wǎng)絡(luò)中，得到實際的分類標簽，畫出地物分類結(jié)果圖；分類標簽與測試樣本參考標簽對比計算分類評價指標，畫出訓練樣本和驗證樣本隨著迭代次數(shù)的增加的損失曲線圖，完成地物分類。本發(fā)明保留了高光譜圖像更多的紋理細節(jié)、方向性和空間信息，分類更加準確，可應(yīng)用于氣象監(jiān)測、環(huán)境監(jiān)測、土地利用、城市規(guī)劃及防災(zāi)減災(zāi)等。當前第1頁12