一种基于全局胶囊神经网络的高光谱遥感图像分类方法与流程

1.本发明涉及图像处理技术领域，更具体地，涉及一种基于全局胶囊神经网络的高光谱遥感图像分类方法。


背景技术：

2.高光谱遥感图像是由高光谱传感器捕获的卫星图像，它的光谱分辨率高、波段众多，能够获取地物几乎连续的光谱特征曲线，可以提供丰富的空间和光谱信息，可广泛应用于地质勘探、地质制图、植被生态监测、精细农业、大气环境、环境监测、海洋遥感等多个领域。然而，高光谱图像的精确分类仍然存在着一些难题，比如像素的维度较高、噪声干扰、空间域和光谱域冗余等问题。因此，特征选择和特征提取策略在高光谱遥感图像像素点的分类中显得极其重要。以往，对高光谱遥感图像分类的常用方法包括：k最近邻(k-nn)、支持向量机(svm)、极端学习机(elm)、决策树(dt)、随机森林(rf)、k均值(k-means)等。除此之外，主成分分析(pca)，它通过频段选择压缩光谱波段来减少噪声的干扰，可以保留住重要的特征，特别适合于高光谱遥感图像分类。
3.近年来，越来越多的研究者开始采用基于深度学习的方法对高光谱遥感图像进行地物分类。卷积神经网络(cnn)由于其出色的图像表征能力被成功地应用到了高光谱遥感图像分类领域。但是，越来越多的研究证明，单纯地利用一种维度进行图像分类很难实现较好的分类效果，因此科研工作者开始逐步把研究方向放在光谱和空间信息联合的分类实验上。然而，现有的绝大多数方法无法有效地识别特征之间的空间位置、平移、旋转、视角和放缩关系，从而限制了模型的分类能力，导致模型的泛化能力差。
4.胶囊网络可以提取输入高光谱遥感图像数据的矢量信息，并用这些矢量的模长和方向分别代表输入样本中某个地物出现的概率及其特征，进而提升模型在高光谱遥感图像上的分类性能，在高光谱遥感图像分类领域表现出了极大的潜力。所以基于胶囊网络的优势，本发明提出一个基于全局胶囊神经网络的高光谱遥感图像分类模型(gcapsnet)。该模型不仅能够充分地提取高光谱遥感图像丰富的光谱和空间特征，通过胶囊网络提取地物目标的位姿信息降低分类误差，同时还能借助于动态路由机制获取到部分与整体之间的层次关系，使得胶囊网络中的每一个胶囊都包含大量的特征信息，如纹理、角度、大小等。其次，gcapsnet网络模型可以大大减少训练的参数量、加快训练过程，模型也具有较强的鲁棒性。


技术实现要素：

5.本发明提供一种基于全局胶囊神经网络的高光谱遥感图像分类方法，该方法降低了训练过程中的计算复杂度，而且该模型还具有较强的鲁棒性。
6.为了达到上述技术效果，本发明的技术方案如下：
7.一种基于全局胶囊神经网络的高光谱遥感图像分类方法，包括以下步骤：
8.s1：图像预处理；
9.s2：对全局胶囊神经网络模型进行训练；
10.s3：对训练好的模型进行测试。
11.进一步地，所述步骤s1的具体过程是：
12.s11：将高光谱图像先通过reshape再进行归一化处理操作之后再使用pca进行降维处理获取到前三个主成分，接着对数据边缘进行填充操作；
13.s12：获取数据块，从降维并归一化后的高光谱图像中分别提取以待分类像元为中心的h
×w×
c邻域范围内的高光谱数据块ph×w×c作为输入的图像特征，c是降维后高光谱图像通道数，所取的数据块大小为27
×
27
×
3，把它们划分为训练集、验证集与测试集。
14.进一步地，所述步骤s2的具体过程是：
15.s21：利用5
×
5卷积核对训练集中大小为27
×
27
×
3高光谱数据块进行卷积处理，得到256张卷积特征图；
16.s22：将256张卷积特征图输入到整合全局信息的全局块进行处理，得到256张大小为23
×
23的全局特征图；
17.s23：接着利用3
×
3卷积核对步骤2中获取的256张全局特征图进行卷积操作处理，得到128张大小为21
×
21的卷积特征图；
18.s24：将128张特征图输入到primary caps层通过动态路由算法迭代并经过自注意力模块处理之后封装成3200
×
8的胶囊向量；
19.s25：将3200
×
8的胶囊向量输入到class caps层，最终得到9个类别胶囊向量，每个胶囊向量的模长代表了对应类别的存在概率；
20.s26：通过对应类别的存在概率来计算出margin loss的分类损失，并利用adam优化器进行模型各项参数的优化，同时保存下在验证集中损失函数最小的分类模型作为最终的测试模型。
21.进一步地，所述步骤s3的具体过程是：
22.将划分好的测试集高光谱数据块输入到测试模型中，得到最终分类结果，同时将整个高光谱数据集输入到模型中，得到整个高光谱图像的分类效果图。
23.进一步地，步骤s24中，动态路由算法迭代如下：
[0024][0025]
其中，vj表示激活函数层的第j个输出向量，sj表示激活函数层的第j个输入向量，||sj||表示1范数操作，||sj||2表示2范数操作。
[0026]
进一步地，所述全局胶囊神经网络包括2个conv2d卷积层、1个全局块、1个primary caps层、1个自注意力模块和1个class caps层。
[0027]
进一步地，所述的2conv2d卷积层分别为5
×
5、3
×
3的卷积层，其中，5
×
5的卷积层的卷积核个数为256，3
×
3的卷积层的卷积核个数为128；1个全局块用于对高光谱输入图像整合全局信息，全局块包括4个1
×
1conv2d卷积层、2个dot矩阵乘法操作和1个add矩阵加法操作，其中，3个1
×
1conv2d卷积层的卷积核个数为128，1个1
×
1conv2d卷积层的卷积核个数为256。
[0028]
进一步地，所述的primary caps层总共有32个胶囊，经过自注意力模块处理之后每个输出一个由3
×
3卷积核生成的8维向量。
[0029]
进一步地，所述class caps层中有n个胶囊，每个胶囊输出一个16维的向量，代表一个类的实体。
[0030]
与现有技术相比，本发明技术方案的有益效果是：
[0031]
本发明克服了现有高光谱遥感图像分类方法的缺点和不足，通过全局块的搭建和嵌入附加卷积层的操作实现了训练胶囊参数量的大幅度减少，构建了适用于高光谱遥感图像分类的全局胶囊神经网络模型。基于该全局胶囊神经网络模型，一方面通过全局模块实现了同时获取高光谱遥感图像丰富的空间光谱特征，另一方面在训练样本数量有限的情况下通过减少模型训练的参数量极大地降低了训练过程中的计算复杂度，而且该模型还具有较强的鲁棒性。
附图说明
[0032]
图1为本发明实施例提供的基于全局胶囊神经网络的高光谱遥感图像分类方法的流程结构示意图；
[0033]
图2为本发明实施例提供的全局块内部结构示意图。
具体实施方式
[0034]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0035]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0036]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0037]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0038]
如图1-2所示，一种基于全局胶囊神经网络的高光谱遥感图像分类方法，其具体实施步骤如下：
[0039]
一种基于全局胶囊神经网络的高光谱遥感图像分类方法，包括用于对高光谱图像进行分类的全局胶囊神经网络，其中，全局胶囊神经网络包括2个conv2d卷积层、1个全局块、1个primary caps层、1个自注意力模块和1个class caps层。
[0040]
进一步的，2个conv2d卷积层分别为5
×
5、3
×
3的卷积层，其中，5
×
5的卷积层的卷积核个数为256，3
×
3的卷积层的卷积核个数为128；1个全局块用于对高光谱输入图像整合全局信息，全局块包括4个1
×
1conv2d卷积层、2个dot矩阵乘法操作和1个add矩阵加法操作，其中，3个1
×
1conv2d卷积层的卷积核个数为128，1个1
×
1conv2d卷积层的卷积核个数为256。
[0041]
进一步的，primary caps层总共有32个胶囊，每个输出一个由3
×
3卷积核生成的8维向量；而在class caps层中有n个(类的数量)胶囊，每个胶囊输出一个16维的向量，代表一个类的实体。
[0042]
一种基于全局胶囊神经网络的高光谱遥感图像分类方法由以下步骤组成：以pavia university高光谱数据集为例，使用本发明的一种基于全局胶囊神经网络的高光谱遥感图像分类方法对该pavia university高光谱数据集中的地物进行分类。由以下步骤组成：
university高光谱数据集上的分类精度。从表1可以看出，gcapsnet模型在pavia university高光谱数据集里的分类精度oa、aa、kappa系数均要优于其它两个模型。
[0060]
表1各模型的分类精度对比
[0061][0062]
胶囊网络是目前深度学习领域的研究热点之一，在高光谱遥感图像分类领域有极大的发展空间。综上所述，本发明提出的一种基于全局胶囊神经网络的高光谱遥感图像分类方法，有着较好的模型泛化能力，不仅能够有效地获取地物目标的空间位置信息以提高分类的精确率，而且能够以较少的训练样本量达到很好的分类效果，提升了分类的性能。
[0063]
相同或相似的标号对应相同或相似的部件；
[0064]
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
[0065]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。