基于空間信息增強和深度信念網絡的高光譜圖像分類方法與流程

本發明屬于高光譜影像處理和計算機視覺領域，特別涉及一種高光譜圖像分類方法，可用于環境、氣候、農業以及礦物探測。

背景技術：

隨著光譜成像技術和遙感技術的快速發展，高光譜遙感技術已經成為一種前沿技術。高光譜遙感影像具有很高的光譜分辨率和較高的空間分辨率，可以實現對地表物體的精確分類，因此可以應用于許多領域：如環境，氣候，農業，以及礦物探測等。

目前解決高光譜圖像分類問題的主要方法是進行光譜特征提取，再借助分類器進行分類，該方法主要集中的是傳統機器學習算法，其中以基于支持向量機svm的算法為代表。這類方法的不足是僅僅考慮到光譜信息而忽略了空間信息，導致分類精度不夠理想。隨著現在光譜成像技術的發展，高光譜圖像在具有很高的光譜分辨率的同時，也具有越來越高的空間分辨率，因此將高光譜圖像的空間信息和光譜信息結合進行高光譜圖像處理正成為現在高光譜圖像處理領域極具熱度的研究方向。

深度學習是機器學習研究的一個新興熱門領域，其主要是根據人腦機制，建立神經網絡來進行學習分析，通過模擬人腦學習方式來解譯諸如圖像、語音、文本等信息，相比傳統機器學習算法，深度學習不需要人工設計特征，并且能自動學習高層次，更具識別能力的特征，這一特點促使人們把深度學習算法用在更加廣泛的領域。深度信念網絡是深度學習三大經典模型之一，目前已廣泛應用于圖像識別和語音識別以及文本識別，深度信念網絡一般是由多層限制玻爾茲曼機堆疊而成，以逐層rbm的訓練作為預訓練，然后采用bp算法進行整個網絡模型的微調。

目前將深度信念網絡應用于高光譜圖像分類任務的方法在引入空間信息時，往往采用提取像元鄰域所有像元，并將這些像元直接連接形成空間信息向量，再將空間信息向量與光譜信息向量連接成同時包含空間信息和光譜信息的特征向量，這樣操作的缺點有兩個，一是鄰域拼接會造成光譜混淆，影響原始光譜信息；二是僅僅利用了高光譜圖像的原始空間信息，并未針對高光譜圖像特點進行空間信息增強，因此基于這類空間信息引入方式的深度信念網絡的高光譜圖像分類算法相比基于svm等傳統淺層網絡分類方法分類精度沒有明顯提高。

技術實現要素：

本發明針對上述現有技術的不足，提出一種基于空間信息增強和深度信念網絡的高光譜圖像分類方法，以提高分類精度。

本發明的技術方案是，針對高光譜圖像包含的光譜特性和圖像特性，先對高光譜圖像進行空間信息增強，再設計深度信念網絡分類模型，最后利用深度信念網絡對高光譜圖像的光譜信息和空間信息進行特征提取和建模，完成對高光譜圖像的分類。其實現步驟包括如下：

(1)預處理：

將原始高光譜圖像的反射率值歸一化到0到1之間，并對原始高光譜圖像進行波段選擇，選擇100個波段，并將這100個波段作為空間信息增強的保留代表波段，得到預處理之后的高光譜圖像xp；

(2)對預處理后的高光譜圖像xp進行空間信息增強：

2a)對預處理后的高光譜圖像xp計算波段圖像的相關性系數矩陣r，根據相關性系數大小進行波段分組，組內任意兩個波段圖像間的相關性系數大于等于0.95，每個組包含不同數量的波段；

2b)在每個組內計算所有波段圖像的圖像信息熵h，選取圖像信息熵最大的波段圖像作為引導圖像i；

2c)在每個分組內使用引導圖像i分別對組內其他波段圖像進行導向濾波，得到空間信息增強的波段圖像；

2d)將空間信息增強的波段圖像按照其分組前的波段序號合并，得到空間信息增強的高光譜圖像xs；

(3)構建深度信念網絡：

設置深度信念網絡由兩層限制波爾茲曼機和一層分類器組成，其中第一層限制波爾茲曼機的隱含層神經元數目為50，無監督訓練次數為100，學習率為0.15，激勵函數為sigmoid函數；第二層限制波爾茲曼機的隱含層神經元數目為50，無監督訓練次數為100，學習率為0.2，激勵函數為sigmoid函數；最上層連接的分類器是softmax分類器；

(4)網絡訓練和測試：

在空間信息增強后的高光譜圖像xs包含的多類地物中每類隨機選擇300個樣本構成訓練集，剩下的樣本構成測試集；用訓練集對構建的深度信念網絡進行訓練，得到深度信念網絡模型m，用該模型m對測試集進行測試，得到分類結果。

本發明與現有技術相比具有以下優點：

第一，本發明的空間信息增強由于僅針對高光譜圖像的波段圖像進行，不涉及高光譜圖像的光譜維，因此能在保證不損失原始光譜信息情況下，有效增強高光譜圖像的空間信息；

第二，本發明設計深度信念網絡由于有效結合了無監督訓練和有監督訓練，通過少量的訓練樣本就能訓練得到性能良好的模型，因此能在訓練樣本有限的高光譜圖像分類任務中，獲得較高的分類精度；

附圖說明

圖1是本發明的實現流程圖；

圖2是本發明中的限制波爾茲曼機模型結構圖；

圖3是本發明中的深度信念網絡模型結構圖；

圖4是用本發明對indianpines高光譜圖像數據庫的分類結果圖；

圖5是用本發明對paviauniversity高光譜圖像數據庫的分類結果圖；

圖6是用本發明對salinas高光譜圖像數據庫的分類結果圖。

具體實施方式

下面結合附圖對本發明的實施例和效果做進一步的描述。

參照圖1，本發明實現步驟如下:

步驟1，對原始高光譜圖像進行預處理：

(1a)歸一化：

設x∈r^m×n×l表示一個原始高光譜圖像，其中m表示x的長度，n表示x的寬度，l表示x的波段數；

該高光譜圖像x包含m×n個長度為l的光譜向量，對這m×n個光譜向量的反射率值進行歸一化，將每個光譜向量的反射率值歸一化在[0-1]之間，得到歸一化后的高光譜圖像xu，其中：

每個光譜向量用如下公式進行歸一化：

其中xr表示高光譜圖像的第r個光譜向量，max(xr)表示光譜向量xr的元素最大值；

(1b)波段選擇：

高光譜圖像的優勢在于波段精度高，光譜分辨率高，但同時也存在較多的冗余波段，冗余波段的不良影響包括：擾亂特征提取、增加特征維度、增加處理時間、降低分類精度等，因此在對高光譜圖像進行分析處理之前，需要進行波段選擇，以提取代表波段，通過波段選擇優化特征提取過程，提高特征性能。

對歸一化后的高光譜圖像xu進行波段選擇按如下步驟進行：

1b1)計算高光譜圖像xu的均值向量：

其中，(xu)mean表示的xu均值向量，xi表示xu包含的光譜向量，

1b2)計算高光譜圖像xu的協方差矩陣：

(xu)cov＝e{(xu-xmean)(xu-xmean)^t}，

其中，(xu)cov表示xu的協方差矩陣，

1b3)提取代表波段：

設λ1,λ2,...,λl表示(xu)cov的特征根，ν1,ν2,...,νl表示特征根對應的特征向量，將特征根從大到小排列順序，選擇前100個特征根，在歸一化后的高光譜圖像xu中選擇與這100個特征根對應的波段，去除其余波段，得到預處理后的高光譜圖像xp。

步驟2，對預處理后的高光譜圖像xp進行空間信息增強。

2a)對預處理后的高光譜圖像xp進行波段分組：

2a1)計算高光譜圖像xp的相關性系數矩陣r：

其中，i和j表示波段序號，l表示波段圖像數，n表示波段圖像包含的像素數，表示第i個波段的波段圖像的灰度均值，表示表示第j個波段的波段圖像的灰度均值，xik表示第i個波段圖像的第k個像素的灰度值，xjk表示表示第j個波段圖像的第k個像素的灰度值，yj表示第個j波段圖像的灰度值，表示第j個波段的波段圖像的灰度均值，yjk表示第j個波段圖像的第k個像素的灰度值；

2a2)根據相關性系數矩陣r進行波段分組：設矩陣r中包含n個元素值大于等于0.95的連通域，n個連通域之間不相交；

2a3)對一個連通域，提取連通域內元素的行標和列標，將行標和列標對應的波段圖像分為一組，得到一個分組；

2a4)對n個連通域進行2a3)的操作，得到n個分組。

2b)在每個組內計算所有波段圖像x的圖像信息熵h：

其中n表示x包含的像素數，(i,j)表示波段圖像x中灰度值分別為i和j的灰度值二元組，f(i,j)表示二元組(i,j)出現的頻數；

2c)選取圖像信息熵最大的波段圖像作為引導圖像i，在每個分組內使用引導圖像i分別對組內其他波段圖像進行導向濾波，得到空間信息增強的波段圖像g：

(2c1)用引導圖像i和波段圖像x計算權值a：

其中，ω表示濾波窗口，μ和σ²分別表示引導圖i在窗口ω內的均值和方差，|ω|表示濾波窗口ω內的像素個數，表示波段圖像x在窗口ω內的均值；

(2c2)根據波段圖像x和權重a計算偏置：

(2c3)根據引導圖像i、權重a和偏置b，得到濾波輸出：g＝ai+b；

2d)將空間信息增強的波段圖像g按照其分組前的波段序號合并，得到空間信息增強的高光譜圖像xs。

步驟3，構建深度信念網絡。

深度信念網絡是深度神經網絡三大典型網絡之一，具有很強的特征提取能力和數據建模能力，廣泛應用于圖像識別、文本識別等任務中。構建深度信念網絡的方法由兩類：一是基于自動編碼器構建深度信念網絡，二是基于限制玻爾茲曼機構建深度信念網絡，本發明采用基于限制玻爾茲曼機的方式構建深度信念網絡，其由兩層限制波爾茲曼機和一層分類器堆疊而成，其中：

第一層限制波爾茲曼機的隱含層神經元數目為50，無監督訓練次數為100，學習率為0.15，激勵函數為sigmoid函數；

第二層限制波爾茲曼機的隱含層神經元數目為50，無監督訓練次數為100，學習率為0.2，激勵函數為sigmoid函數；

最上層的分類器為softmax分類器。

步驟4，網絡訓練和測試。

在空間信息增強后的高光譜圖像xs包含的多類地物中每類隨機選擇300個樣本構成訓練集，剩下的樣本構成測試集；用訓練集和測試集進行深度信念網絡的訓練和測試，其實現步驟如下：

4a)參數初始化：用訓練集作為最下層限制波爾茲曼機的可見層，對第一層限制玻爾茲曼機進行訓練，得到第一層限制玻爾茲曼機從可見層到隱含層的連接權重和偏置；將第一層限制波爾茲曼機的隱含層神經元作為第二層限制波爾茲曼機的可見層神經元，對第二層限制玻爾茲曼機進行訓練，得到第二層限制波爾茲曼機從可見層到隱含層的連接權重和偏置，即得到深度信念網絡的初始化模型min；

4b)用訓練集對初始化模型min進行參數優化：用訓練集作為初始化模型min的輸入數據自下而上計算重建數據，根據重建數據和輸入數據計算重建誤差，并自上而下反饋重建誤差，根據反饋的重建誤差更新網絡連接權重和偏置；

4c)循環步驟4b)直到建模誤差下降到小于等于誤差允許值，停止參數優化，得到深度信念網絡的最終模型m。

4d)用測試集對得到的深度信念網絡模型m對進行分類性能測試：

將測試集輸入模型m中，用模型m對輸入數據進行類別預測，得到模型m對測試集的預測類別。

本發明的效果可以通過仿真實驗做進一步說明：

實驗一：用本發明方法對indianpines高光譜圖像數據庫分類，結果如圖4，其中，圖4(a)表示本發明對indianpines高光譜圖像數據庫的測試集的分類效果，4(b)表示其真實地物類別參考圖；

實驗二：用本發明方法對paviauniversity高光譜圖像數據庫分類，結果如圖5，其中，圖5(a)表示本發明對paviauniversity高光譜圖像數據庫的測試集的分類效果，5(b)表示其真實地物類別參考圖。

實驗三：用本發明方法對salinas高光譜圖像數據庫分類，結果如圖6，其中，圖6(a)表示本發明對salinas高光譜圖像數據庫的測試集的分類效果，6(b)表示其真實地物類別參考圖。

從對三個高光譜圖像數據庫的分類結果圖中可以看出，本發明方法對測試集得到的預測類別與測試集的真實類別相比十分接近，只存在很少的誤判，說明本發明方法對高光譜圖像具有良好的分類性能。

以上描述僅是本發明的一個具體實例，不構成對本發明的任何限制。顯然對于本領域的專業人員來說，在了解了本發明內容和原理后，都可能在不背離本發明原理、結構的情況下，進行形式和細節上的各種修正和改變，但是這些基于本發明思想的修正和改變仍在本發明的權利要求保護范圍之內。