一种基于卷积神经网络的高光谱遥感图像分类方法及系统[发明专利].docxVIP

PAGE

1-

一种基于卷积神经网络的高光谱遥感图像分类方法及系统[发明专利]

一、引言

随着遥感技术的不断发展，高光谱遥感图像在资源调查、环境监测、灾害预警等领域发挥着越来越重要的作用。高光谱遥感图像具有丰富的光谱信息，能够反映地表物质的细微差异，因此在分类识别方面具有较高的精度。然而，高光谱遥感图像数据具有高维、高噪声、类间距离小等特点，给图像分类带来了巨大的挑战。传统的遥感图像分类方法，如基于特征提取和基于规则的方法，在处理高光谱遥感图像时往往难以达到理想的效果。

近年来，卷积神经网络（ConvolutionalNeuralNetwork，CNN）在图像识别领域取得了显著的成果，其强大的特征提取和分类能力引起了广泛关注。CNN通过学习图像的局部特征和层次化特征，能够自动提取图像中的重要信息，并在各类图像识别任务中表现出色。将CNN应用于高光谱遥感图像分类，有望提高分类精度和效率。

然而，高光谱遥感图像的特殊性使得直接应用CNN存在一些困难。首先，高光谱遥感图像的数据维度非常高，直接输入CNN可能导致网络参数过多，计算复杂度增加。其次，高光谱遥感图像的光谱信息丰富，但同时也伴随着大量的噪声和冗余信息，如何有效地提取和利用这些信息是高光谱遥感图像分类的关键。此外，高光谱遥感图像的分类任务通常涉及多个类别，如何设计合适的网络结构和损失函数以适应多类别分类也是亟待解决的问题。

为了解决上述问题，本文提出了一种基于卷积神经网络的高光谱遥感图像分类方法。该方法首先对高光谱遥感图像进行预处理，包括降维、去噪和特征增强等操作，以减少数据维度和噪声干扰。然后，设计了一种具有多尺度特征提取能力的CNN模型，通过引入多个卷积层和池化层，能够自动提取图像的多尺度特征。最后，采用交叉熵损失函数进行多类别分类，并通过优化网络结构和参数调整，提高分类精度和鲁棒性。本文的研究成果对于推动高光谱遥感图像分类技术的发展具有重要意义。

二、基于卷积神经网络的高光谱遥感图像分类方法

(1)在本发明中，首先对高光谱遥感图像进行预处理，包括数据降维、噪声去除和特征增强等步骤。数据降维通过主成分分析（PCA）等方法减少图像的维度，降低计算复杂度，同时保留主要的光谱信息。噪声去除则采用自适应滤波技术，有效去除图像中的随机噪声。特征增强则通过调整图像的光谱响应，增强目标信息，提高后续分类的准确性。

(2)针对高光谱遥感图像的特点，本发明设计了一种卷积神经网络（CNN）模型，该模型包含多个卷积层、池化层和全连接层。卷积层用于提取图像的局部特征，池化层则对特征进行降维，减少计算量，同时保留空间层次信息。在卷积层和池化层之间，可以添加批归一化层和ReLU激活函数，以加快网络训练速度并提高模型的稳定性。全连接层用于将提取的特征映射到不同的类别。

(3)为了适应高光谱遥感图像的多类别分类问题，本发明采用了softmax激活函数和交叉熵损失函数。softmax函数可以将全连接层的输出转化为概率分布，方便进行多类别分类。交叉熵损失函数则用于衡量预测概率分布与真实标签之间的差异，通过最小化损失函数来优化网络参数。在训练过程中，采用反向传播算法和梯度下降优化方法，不断调整网络参数，提高分类精度。此外，为增强模型的泛化能力，本发明引入了数据增强技术，如旋转、缩放和平移等，增加训练数据的多样性。

三、系统设计与实现

(1)本发明所设计的系统包括数据预处理模块、CNN模型训练模块和图像分类模块。数据预处理模块负责对高光谱遥感图像进行降维、去噪和特征增强等处理，确保输入到CNN模型的数据质量。在实验中，我们使用了多光谱图像数据集，包括4000张高光谱遥感图像，涵盖了多个地物类别，如植被、水体、土壤等。通过PCA降维后，数据维度从256维降至64维，显著降低了计算复杂度。在噪声去除方面，我们采用了自适应滤波算法，有效降低了图像中的随机噪声，提高了后续分类的准确性。

(2)CNN模型训练模块采用TensorFlow深度学习框架实现，通过GPU加速计算，提高了模型训练的效率。在模型结构设计上，我们采用了具有5个卷积层和3个全连接层的CNN网络，并在卷积层和池化层之间加入了批归一化层和ReLU激活函数。为了提高模型的鲁棒性，我们在训练过程中采用了数据增强技术，如随机旋转、缩放和平移等操作，使模型能够更好地适应不同尺度和角度的图像。在实验中，我们使用Adam优化算法和交叉熵损失函数进行模型训练，通过多次迭代优化网络参数，使得模型在验证集上的分类精度达到92.5%。

(3)图像分类模块负责将预处理后的高光谱遥感图像输入到训练好的CNN模型中，进行实时分类。在实际应用中，该模块可以集成到遥感图像处理软件中，为用户提供便捷的分类服务。以某地区植被监测为例，我们使用本发明所设计的系统对高光谱遥感图像