CN107316013-CN201710449741-基于NSCT变换和DCNN的高光谱图像分类方法.pdfVIP

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 107316013 A (43)申请公布日 2017.11.03 (21)申请号 201710449741.1 (22)申请日 2017.06.14 (71)申请人 西安电子科技大学 地址 710071 陕西省西安市雁塔区太白南 路2号 (72)发明人 白静　徐敏　陈盼　焦李成　 张向荣　缑水平　 (74)专利代理机构 陕西电子工业专利中心 61205 代理人 程晓霞　王品华 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) 权利要求书2页 说明书10页 附图3页 (54)发明名称 基于NSCT变换和DCNN的高光谱图像分类方 法 (57)摘要 本发明公开了基于NSCT变换和DCNN的高光 谱图像分类方法，解决了现有技术中不能充分挖 掘待分类高光谱图像纹理细节和方向性信息的 问题。本发明的实现为：输入高光谱图像；进行 NSCT变换；对变换后立体块归一化并进行取块操 作；在样本集合中随机选取训练、验证和测试样 本集；构造深度卷积神经网络，设置网络超参数； 训练网络；测试样本输入网络得到实际分类标 签，画地物分类结果图；分类标签与测试样本参 考标签对比计算分类评价指标，画出训练和验证 样本随迭代次数增加的损失曲线图，完成地物分 A 类。本发明保留了高光谱图像更多的纹理细节、 3 方向性和空间信息，分类更加准确，可应用于气 1 0 6 象、环境监测、土地利用、城市规划及防灾减灾 1 3 7 等。 0 1 N C CN 107316013 A 权　利　要　求　书 1/2页 1.一种基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像分类方法，其特征 在于，包括如下步骤： (1)输入任选的一幅尺寸为h×w×n待分类高光谱图像； (2)对该高光谱图像进行降维，对降维后的每一个主分量分别进行非下采样轮廓波变 换，保留高频子带系数矩阵，并将高频子带系数矩阵进行叠加，得到立体块； (3)对立体块进行归一化操作； (4)对归一化后得到的立体块以每个像素点为中心遍历整个立体块进行取块操作，得 到样本集合； (5)在样本集合中随机选取80％为训练样本集，随机选取10％为验证样本集，剩下的 10％为测试样本集，每一个样本均有各自的参考标签； (6)构造一个具有四个卷积层，两个全连接层的深度卷积神经网络， 并用Softmax函数作为分类器，设置网络的超参数； (7)对深度卷积神经网络进行有监督训练，通过验证样本调整深度卷积神经网络的超 参数并防止过拟合，得到训练好的深度卷积神经网络； (8)将测试样本输入到训练好的网络中，得到实际的分类标签，画出待分类高光谱图像 的地物分类结果图；将分类标签与测试样本的参考标签进行对比，计算出测试样本分类的 总体精度、平均精度以及Kappa系数，画出训练样本和验证样本随着迭代次数的增加的损失 曲线图，完成高光谱图像的地物分类。 2.根据权利要求1所述的基于非下采样轮廓波变换和深度卷积神经网络的高光谱图像 分类方法，其特征在于，步骤(2)所述的非下采样轮廓波变换，按照如下步骤进行： (2a)对原始高光谱图像在光谱方向上使用主成分分析进行降维操作，保留前3个主分 量； (2b)对降维后得到的3个主分量分别进行3级非下采样轮廓波变换，第k级变换是对第 k-1级NSCT变换得到的低频子带系数矩阵进一步分解得到的，经过