本發明公開了一種多尺度譜空卷積神經網絡的高光譜圖像分類方法，主要解決現有技術在譜間特征提取和空間特征提取時僅提取單一尺度特征的缺點和對于樣本分布不集中或樣本量很少的地物類別分類效果差的問題。其實現方案是：1)輸入高光譜圖像，生成樣本數不同的訓練樣本集和測試樣本集；2)構建多尺度譜空卷積神經網絡；3)將訓練集輸入到多尺度譜空卷積神經網絡獲得預測類別，用預測類別和真實標簽計算鉸鏈交叉熵損失，利用隨機梯度下降法對該網絡進行訓練，直到鉸鏈交叉熵損失收斂；4)將測試樣本輸入到訓練好的多尺度譜空卷積神經網絡得到分類結果。本發明能在少訓練樣本下獲得高準確率的分類，可用于對高光譜圖像的地物種類探測。

技術領域

本發明屬于遙感信息處理技術領域，更進一步涉及一種高光譜圖像分類方法，可用于對高光譜圖像的地物種類探測。

背景技術

高光譜以其豐富的波段信息記錄了地物目標的連續光譜特征，具備了能夠進行更多種類地物目標識別和更高精度地目標分類可能性。高光譜圖像分類技術的關鍵在于利用高光譜圖像的空間特征和譜間特征對樣本類別進行分類。在土地資源評估、災害監測方面具有重要意義。然而現有的分類方法還是主要依賴大量的訓練樣本，由于樣本標注難以獲取，因此在少樣本情況下很容易導致過擬合問題，進而影響了樣本分類準確率。

Zilong Zhong等人在其發表的論文“Spectral-Spatial Residual Network forHyperspectral Image Classification:A3-D Deep Learning Framework”(IEEETransactions on Geoscience and Remote Sensing,2017:1-12)中提出一種利用端到端的光譜-空間殘差方法SSRN對高光譜圖像進行分類的方法。該方法以原始三維立方體作為輸入數據，在端到端的光譜-空間殘差網絡中，譜間殘差塊和空間殘差塊連續從高光譜圖像豐富的光譜和空間信息中學習識別特征，譜間殘差塊得到的光譜特征和空間殘差塊得到的空間特征以級聯方式融合，最后將融合后的高級譜空特征輸入分類層進行高光譜圖像分類。該方法由于在譜間和空間殘差塊中采用單一尺度的卷積操作，且僅提取了單一尺度的特征，導致整個網絡在高光譜圖像分類上效果不佳。

西北工業大學在其授權的專利文獻“基于深度卷積神經網絡的空譜聯合的高光譜圖像分類方法”(授權公告號：CN 105320965 B)中公開了一種基于深度卷積神經網絡的空譜聯合的高光譜圖像分類方法。該方法的具體步驟是：首先利用少量標簽數據，訓練卷積神經網絡，并利用該網絡自主提取高光譜圖像的空譜特征，不需要任何壓縮降維的處理；然后，利用提取到的空譜特征訓練支持向量機SVM分類器，對圖像進行分類；最后，結合已訓練好的深度卷積神經網絡和訓練好的分類器，得到一個能夠自主提取高光譜圖像的空譜特征并對其進行分類的深度卷積神經網絡結構DCNN-SVM。該方法由于深度卷積神經網絡對高光譜圖像中空譜特征提取依然是單一尺度的，使得支持向量機SVM分類器在高光譜圖像分類上效果不佳。

除此上述列舉的高光譜圖像分類方法之外，目前基于深度卷積神經網絡的高光譜圖像分類方法都與上述兩個方法類似，這些方法的共性就是在特征提取模塊中均采用單一尺度的卷積操作，而沒有在特征層面上提取多尺度空間和譜間特征，從而導致在少樣本訓練時這些方法對高光譜圖像分類效果不佳。

發明內容

本發明的目的在于針對上述現有技術的不足，提出了一種基于多尺度譜空卷積神經網絡的高光譜圖像分類方法，以提高高光譜圖像中在少樣本訓練的情況下地物目標分類的精度。

實現本發明目的的思路是，先構建多尺度譜間特征提取模塊和多尺度空間特征提取模塊，然后生成多尺度譜空卷積神經網絡，將高光譜三維數據輸入到多尺度譜間特征模塊提取多尺度譜間特征，將多尺度譜間特征輸入到多尺度空間特征提取模塊，提取多尺度譜空聯合特征并進行分類，利用鉸鏈交叉熵損失函數對網絡進行訓練，最后將測試樣本輸入到訓練好的多尺度譜空卷積神經網絡中，對高光譜圖像進行分類。該模型可以解決在少樣本情況下高光譜圖像分類的問題。

為實現上述目的，本發明的具體步驟包括如下：