基于SAE深度网络的高光谱图像空谱联合的分类方法

摘要

本发明涉及一种基于SAE深度网络的高光谱图像空谱联合的分类方法，替代了传统的PCA降维后使用邻域信息作为空间特征，使用当前像素点的空间位置信息，即行列坐标作为空间特征，然后和其谱特征结合作为训练样本的空谱联合特征，进而提出一种基于SAE深度网络的高光谱图像空谱联合分类方法。本发明的有益效果在于：改进了传统的基于SAE深度网络空谱联合分类中提取空间特征的方法，使用空间位置信息作为空间特征而不是传统的提取空间特征的方法即在谱空间上进行主成分分析(PCA)降维后提取邻域的空间信息作为空间特征，不仅简化了空间特征的提取方法，减少了运算量，而且相较于传统的方法提高了分类精度。

主权项

一种基于SAE深度网络的高光谱图像空谱联合的分类方法，其特征在于步骤如下：步骤1：对高光谱图像像素的谱特征数据进行归一化操作，即将谱特征数据映射到0‑1之间，得到归一化的谱特征；将位于(i,j)的像素的空间特征设为(i,j)，然后对所有的空间特征进行归一化操作，即将空间特征映射到0‑1之间，得到归一化的空间特征；步骤2：以归一化的谱特征和归一化的空间特征联合作为AE的输入层，将输入层乘以权重W_y，再加上偏置b_y得到隐藏层，将隐藏层乘以权重W_z，再加上偏置b_z得到重建层，构成3层网络结构的自编码器AE；采用BP算法训练自编码器AE的参数，使重建层还原输入层；所述W_y＝W_z^T＝W，T为转置；步骤3：去除重建层，将隐藏层作为新的自编码器AE的输入层，按照步骤2中所述方法训练出一个新的自编码器AE；重复构建多个自编码器AE；步骤4：将多个自编码器AE进行连接构建得到SAE网络；步骤5：将SAE网络连接softmax层，然后利用BP算法对整个网络进行参数更新得到训练好的网络；步骤6：利用训练好的网络对高光谱图像进行分类。