基于深度学的高光谱遥感数据分类方法

摘要

基于深度学的高光谱遥感数据分类方法，属于高光谱数据分类技术领域。本发明是为了解决现有对蕴含非线性特征的高光谱数据进行分类的方法存在分类精度低的问题。它首先对高光谱原始数据进行处理获得高光谱原始数据的光谱特征向量和空间特征信息；再对所述光谱特征向量和空间特征信息进行整合；由高光谱整合数据确定标记样本，并由标记样本中选择训练样本和测试样本；使用训练样本对构成深层网络的多层限制玻尔兹曼机进行预训练；使用训练样本对多层限制玻尔兹曼机构成的网络进行有监督学；将测试样本输入微调后的多层限制玻尔兹曼机构成的网络，实现高光谱遥感数据的分类。本发明用于高光谱遥感数据的分类。

主权项

一种基于深度学习的高光谱遥感数据分类方法，其特征在于，它包括以下步骤：步骤一：读取高光谱原始数据，采用主成分分析法获得高光谱原始数据的特征值和特征向量，进而获得高光谱原始数据的光谱特征向量；再对高光谱原始数据的光谱特征向量进行邻域信息提取，获得高光谱原始数据的空间特征信息；首先计算出高光谱原始数据的协方差矩阵，根据协方差矩阵采用主成分分析法计算获得所有高光谱原始数据的特征值和特征向量，并按照特征值从大到小的顺序，排列相应的特征向量；使用特征向量作为加权系数计算获得所有特征向量的B个波段主成分分量，将所有包含B个波段主成分分量的特征向量作为高光谱原始数据的光谱特征向量；B为正整数；高光谱原始数据的空间特征信息的获得方法为：选取高光谱原始数据的光谱特征向量的B个波段主成分分量中排列在前的N个主成分分量，将N个主成分分量中每一个主成分分量作为一幅二维灰度图像；对每幅二维灰度图像进行如下处理：选定二维灰度图像中任意一个像素点，该像素点的位置坐标为(x_i,y_i)，以该像素点为中心确定一个w×w的邻域，w为大于1的奇数，将领域内w²个像素点的灰度值作为该二维灰度图像中选定像素点在主成分分量P_n下的特征向量，其中n＝1,2,…,N；由此，获得N个主成分分量在同一坐标位置的像素点的长度为N×w²的特征向量，将所述长度为N×w²的特征向量作为像素点(x_i,y_i)的空间特征信息；步骤二：对高光谱原始数据的光谱特征向量和空间特征信息进行整合，获得高光谱整合数据；步骤三：由高光谱整合数据确定标记样本，并由标记样本中选择训练样本和测试样本；步骤四：基于深度学习方法，使用训练样本对构成深层网络的多层限制玻尔兹曼机进行预训练，以深层的学习高光谱整合数据特征并提取特征；将步骤三中获得的由训练样本的特征向量构成的二维矩阵作为m层限制玻尔兹曼机构成的深信度网络的输入，其中m为大于2的整数，通过非监督的学习来训练深信度网络；对于每一层的限制玻尔兹曼机，可视层作为其输入，隐层作为其输出；每层限制玻尔兹曼机采用相同的隐层节点数目，其隐层节点数目为h；顶层限制玻尔兹曼机可视节点的数目为特征向量的特征数目(B+N×w²)；其余层的限制玻尔兹曼机的输入为上一层的输出，可视节点的数目为h；预训练过程中，通过不断的迭代调整可视层与隐层之间的连接权重；所述可视层包含可视节点，隐层包含隐层节点；步骤五：在步骤四预训练的基础上，使用训练样本对多层限制玻尔兹曼机构成的网络进行有监督学习，以微调多层限制玻尔兹曼机构成的网络；使用逻辑回归分类器作为分类器，将深信度网络最底层限制玻尔兹曼机包含有h个节点的输出作为逻辑回归分类器的输入，逻辑回归分类器的输出节点数目为真实地物标记图中地物类别数据C，所述输出节点除了对应的类别位置为1，其他节点均为0；将监督数据中所有抽取的特征向量形成的二维矩阵作为深信度网络的输入，训练样本的地物类别标号作为深信度网络的输出，对整个深信度网络的权重进行微调；步骤六：将测试样本输入微调后的多层限制玻尔兹曼机构成的网络，实现高光谱遥感数据的分类。