基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感數(shù)據(jù)特征提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感數(shù)據(jù)特征提取方法，屬于遙感數(shù)據(jù)特征提取技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002]隨著成像技術(shù)和光譜技術(shù)的發(fā)展，高光譜遙感技術(shù)成為遙感領(lǐng)域的前沿技術(shù)，光譜分辨力的提高使得其他遙感技術(shù)不能解決的問(wèn)題得以解決，但龐大數(shù)據(jù)量為特征提取技術(shù)增加了難度。為了解決這一問(wèn)題，一些線性降維的方法被提出，如主成分分析、獨(dú)立成分分析、因子分析等。對(duì)于高光譜復(fù)雜的光譜信息，非線性的方法也能夠很好的描述數(shù)據(jù)特性，流行學(xué)習(xí)就是一種常用的非線性高光譜特征提取降維方法。對(duì)于高光譜數(shù)據(jù)，特征提取技術(shù)不僅限于維度的降低，它基于核的算法提取出的特征具有更高維度。雖然以上方法都能克服高光譜特征提取的困難，但提取出的特征并不具有深層的結(jié)構(gòu)。

【發(fā)明內(nèi)容】

[0003]本發(fā)明目的是為了解決采用現(xiàn)有方法對(duì)高光譜遙感數(shù)據(jù)進(jìn)行特征提取，獲得的特征數(shù)據(jù)不具有深層的結(jié)構(gòu)，不利于后續(xù)圖像處理的問(wèn)題，提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感數(shù)據(jù)特征提取方法。
[0004]本發(fā)明所述基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感數(shù)據(jù)特征提取方法，它包括以下步驟:
[0005]步驟一:對(duì)高光譜原始數(shù)據(jù)進(jìn)行壞帶去除、數(shù)據(jù)變形重組及數(shù)據(jù)預(yù)處理，獲得標(biāo)準(zhǔn)化輸入數(shù)據(jù)；
[0006]步驟二:將標(biāo)準(zhǔn)化輸入數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)卷積層的輸入，通過(guò)η個(gè)可訓(xùn)練的濾波器和可加偏置對(duì)標(biāo)準(zhǔn)化輸入數(shù)據(jù)進(jìn)行卷積，獲得η個(gè)不同的特征映射圖，η為正整數(shù)；每個(gè)特征映射圖中的每一個(gè)神經(jīng)元與標(biāo)準(zhǔn)化輸入數(shù)據(jù)的一個(gè)局部感受野相連，用于提取相應(yīng)的局部特征，每個(gè)特征映射圖中的所有神經(jīng)元獲得的相應(yīng)的局部特征綜合后獲得一個(gè)全局信息，將該全局信息作為一個(gè)特征映射圖中的數(shù)據(jù)特征；
[0007]步驟三:將每個(gè)特征映射圖中每組mXm個(gè)像素進(jìn)行求和，加權(quán)值，加偏置，通過(guò)Sigmoid函數(shù)得到η個(gè)子采樣層；m為正整數(shù)；
[0008]步驟四:將卷積神經(jīng)網(wǎng)絡(luò)的每一個(gè)卷積層與每一個(gè)特征映射圖中每個(gè)對(duì)應(yīng)的子采樣層疊加，獲得疊加層，再通過(guò)一個(gè)全連接層與每一個(gè)特征映射圖中所有疊加層相連，計(jì)算獲得全連接層的一個(gè)單元中η個(gè)子采樣層與卷積神經(jīng)網(wǎng)絡(luò)權(quán)重向量之間的點(diǎn)積，將點(diǎn)積加上一個(gè)偏置后，再傳遞給Sigmoid函數(shù)，獲得一個(gè)單元的標(biāo)準(zhǔn)化輸入數(shù)據(jù)狀態(tài)響應(yīng)，全連接層的所有單元個(gè)數(shù)為最終獲得的標(biāo)準(zhǔn)化輸入數(shù)據(jù)狀態(tài)響應(yīng)個(gè)數(shù)，將所有標(biāo)準(zhǔn)化輸入數(shù)據(jù)狀態(tài)響應(yīng)作為標(biāo)準(zhǔn)化輸入數(shù)據(jù)的提取特征，實(shí)現(xiàn)對(duì)高光譜遙感數(shù)據(jù)的特征提取。
[0009]所述壞帶去除具體為:刪除高光譜原始數(shù)據(jù)中波段全為零值或噪聲超過(guò)預(yù)設(shè)噪聲閾值的波段，獲得以三維矩陣表示的無(wú)壞帶輸入數(shù)據(jù)。
[0010]所述數(shù)據(jù)變形重組具體為:將無(wú)壞帶輸入數(shù)據(jù)按照從左到右，從上到下的順序，抽取每一個(gè)像素點(diǎn)的像素向量，每一個(gè)像素向量作為一個(gè)行向量，將所有行向量按照順序依次向下排列，形成二維矩陣輸入數(shù)據(jù)，該二維矩陣輸入數(shù)據(jù)的行數(shù)是無(wú)壞帶輸入數(shù)據(jù)像素點(diǎn)的個(gè)數(shù)，列數(shù)是每個(gè)像素點(diǎn)包含的波段數(shù)。
[0011]所述數(shù)據(jù)預(yù)處理具體為:對(duì)二維矩陣輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化線性處理，使其結(jié)果值映射到[0-1]之間，從而使其各項(xiàng)指標(biāo)處于同一數(shù)量級(jí)，獲得標(biāo)準(zhǔn)化輸入數(shù)據(jù)。
[0012]本發(fā)明的優(yōu)點(diǎn):本發(fā)明方法針對(duì)高光譜數(shù)據(jù)的高維度、豐富的光譜信息和高分辨率的數(shù)據(jù)特性，利用一種深層網(wǎng)絡(luò)結(jié)構(gòu)，有效地提取高光譜數(shù)據(jù)的特征，有利于后續(xù)的圖像處理。它針對(duì)高光譜數(shù)據(jù)的高維度和復(fù)雜的數(shù)據(jù)特性，利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)高光譜數(shù)據(jù)的光譜維信息中的非線性和不變性特征，從而提取出具有深度結(jié)構(gòu)的特征。
[0013]高光譜數(shù)據(jù)的特征提取是高光譜數(shù)據(jù)處理中非常重要的步驟，本發(fā)明利用卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)模擬人腦的機(jī)制來(lái)處理數(shù)據(jù)，克服高光譜數(shù)據(jù)量大，冗余高的弊端，最小化數(shù)據(jù)預(yù)處理的要求，并提取出一種有利于后續(xù)處理及應(yīng)用的具有深層結(jié)構(gòu)的的特征。
【附圖說(shuō)明】
[0014]圖1是本發(fā)明所述基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感數(shù)據(jù)特征提取方法的流程圖。
【具體實(shí)施方式】
[0015]【具體實(shí)施方式】一:下面結(jié)合圖1說(shuō)明本實(shí)施方式，本實(shí)施方式所述基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感數(shù)據(jù)特征提取方法，它包括以下步驟:
[0016]步驟一:對(duì)高光譜原始數(shù)據(jù)進(jìn)行壞帶去除、數(shù)據(jù)變形重組及數(shù)據(jù)預(yù)處理，獲得標(biāo)準(zhǔn)化輸入數(shù)據(jù)；
[0017]步驟二:將標(biāo)準(zhǔn)化輸入數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)卷積層的輸入，通過(guò)η個(gè)可訓(xùn)練的濾波器和可加偏置對(duì)標(biāo)準(zhǔn)化輸入數(shù)據(jù)進(jìn)行卷積，獲得η個(gè)不同的特征映射圖，η為正整數(shù)；每個(gè)特征映射圖中的每一個(gè)神經(jīng)元與標(biāo)準(zhǔn)化輸入數(shù)據(jù)的一個(gè)局部感受野相連，用于提取相應(yīng)的局部特征，每個(gè)特征映射圖中的所有神經(jīng)元獲得的相應(yīng)的局部特征綜合后獲得一個(gè)全局信息，將該全局信息作為一個(gè)特征映射圖中的數(shù)據(jù)特征；
[0018]步驟三:將每個(gè)特征映射圖中每組mXm個(gè)像素進(jìn)行求和，加權(quán)值，加偏置，通過(guò)Sigmoid函數(shù)得到η個(gè)子采樣層；m為正整數(shù)；
[0019]步驟四:將卷積神經(jīng)網(wǎng)絡(luò)的每一個(gè)卷積層與每一個(gè)特征映射圖中每個(gè)對(duì)應(yīng)的子采樣層疊加，獲得疊加層，再通過(guò)一個(gè)全連接層與每一個(gè)特征映射圖中所有疊加層相連，計(jì)算獲得全連接層的一個(gè)單元中η個(gè)子采樣層與卷積神經(jīng)網(wǎng)絡(luò)權(quán)重向量之間的點(diǎn)積，將點(diǎn)積加上一個(gè)偏置后，再傳遞給Sigmoid函數(shù)，獲得一個(gè)單元的標(biāo)準(zhǔn)化輸入數(shù)據(jù)狀態(tài)響應(yīng)，全連接層的所有單元個(gè)數(shù)為最終獲得的標(biāo)準(zhǔn)化輸入數(shù)據(jù)狀態(tài)響應(yīng)個(gè)數(shù)，將所有標(biāo)準(zhǔn)化輸入數(shù)據(jù)狀態(tài)響應(yīng)作為標(biāo)準(zhǔn)化輸入數(shù)據(jù)的提取特征，實(shí)現(xiàn)對(duì)高光譜遙感數(shù)據(jù)的特征提取。
[0020]本實(shí)施方式利用高光譜遙感數(shù)據(jù)光譜維信息準(zhǔn)備輸入數(shù)據(jù)；應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行特征提取。輸入數(shù)據(jù)的準(zhǔn)備是在高光譜原始數(shù)據(jù)的光譜維上進(jìn)行的，內(nèi)容主要包括壞帶去除，數(shù)據(jù)變形重組及數(shù)據(jù)預(yù)處理。
[0021]卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，每層都由多個(gè)二維平面組成，每一個(gè)平面由多個(gè)獨(dú)立神經(jīng)元構(gòu)成。應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行特征提取過(guò)程主要包括三部分:利用不同的濾波器通過(guò)局部感受野對(duì)數(shù)據(jù)進(jìn)行卷積；對(duì)卷積結(jié)果進(jìn)行子采樣；卷積層與子采樣層疊加。具體步驟包括:
[0022]1.利用不同的濾波器通過(guò)局部感受野對(duì)數(shù)據(jù)進(jìn)行卷積。首先將上一步得到的高光譜光譜維數(shù)據(jù)構(gòu)成的二維矩陣作為卷積層的輸入，通過(guò)η個(gè)可訓(xùn)練的濾波器和可加偏置進(jìn)行卷積，每個(gè)濾波器的參數(shù)不相同，將得到η個(gè)不同的特征映射圖。每一個(gè)特征映射圖中的神經(jīng)元與輸入數(shù)據(jù)的局部感受野相連，并提取出該局部的特征，將這些感受不同局部的神經(jīng)元綜合起來(lái)就可以得到全局信息，即輸入數(shù)據(jù)的