发明名称 |
一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 |
摘要 |
本发明公开了一种基于深度卷积神经网络的张量型高光谱图像光谱‑空间降维方法,首先,鉴于直接使用高波段的张量数据会使得深度卷积神经网络的参数空间大幅度增加,引入最大似然本征维估计算法和主成分分析对归一化高光谱图像的波段维进行降维,得到低波段的高光谱图像;然后,通过窗口领域,将低波段高光谱图像转化为张量型低波段高光谱图像,保持每个像素点的光谱和空间信息;最后,利用深度卷积神经网络对张量型低波段高光谱图像进行光谱‑空间降维,使得降维后的特征同时包括光谱信息和空间信息。本发明能有效地利用高光谱数据的光谱特征和空间领域特征获得较高的整体分类精度和Kappa系数。 |
申请公布号 |
CN106023065A |
申请公布日期 |
2016.10.12 |
申请号 |
CN201610321578.6 |
申请日期 |
2016.05.13 |
申请人 |
中国矿业大学 |
发明人 |
王雪松;孔毅;程玉虎 |
分类号 |
G06T3/00(2006.01)I |
主分类号 |
G06T3/00(2006.01)I |
代理机构 |
南京瑞弘专利商标事务所(普通合伙) 32249 |
代理人 |
吴旭 |
主权项 |
一种基于深度卷积神经网络的张量型高光谱图像光谱‑空间降维方法,其特征在于,包括如下步骤:步骤1,对原始高光谱图像进行归一化;步骤2,用最大似然本征维估计算法计算归一化高光谱图像的波段本征维n;步骤3,用主成分分析将归一化高光谱图像的波段数降至n,得到低波段高光谱图像;步骤4,通过窗口领域,将低波段高光谱图像转化为张量型低波段高光谱图像Z;步骤5,将Z划分成训练集Z<sub>train</sub>与测试集Z<sub>test</sub>;步骤6,用训练集Z<sub>train</sub>训练深度卷积神经网络,得到最优深度卷积神经网络模型DCNN<sub>optimal</sub>;步骤7,用最优深度卷积神经网络模型DCNN<sub>optimal</sub>对训练集Z<sub>train</sub>和测试集Z<sub>test</sub>进行特征提取,得到原始高光谱图像的低维光谱‑空间训练集特征z<sub>train</sub>和测试集特征z<sub>test</sub>;步骤8,用训练集特征z<sub>train</sub>及训练集标签Y<sub>train</sub>训练支持向量机,得到分类器SVM<sub>optimal</sub>;步骤9,用分类器SVM<sub>optimal</sub>对测试集特征z<sub>test</sub>进行预测,得到预测标签Y<sub>preidict</sub>。 |
地址 |
221116 江苏省徐州市大学路1号中国矿业大学科研院 |