基于宽度和深度傅里叶网络的高光谱遥感影像分类方法

1.本发明涉及人工智能和遥感领域，具体涉及基于宽度和深度傅里叶网络(wd-fnet)的高光谱遥感影像分类方法。


背景技术：

2.高光谱遥感影像的分类一直是遥感领域的一个热点话题。在过去的三十年里，许多机器学习算法例如决策树，支持向量机，多层感知器和随机森林被用于高光谱遥感影像的分类。而随着人工智能的发展，深度学习算法已经成功地应用于高光谱遥感影像的分类，例如深度卷积神经网络，深度循环神经网络，长短期记忆人工神经网络，基于循环神经网络和卷积神经网络的光谱-空间注意机制网络。但是，高光谱遥感影像训练样本的数量通常十分有限，使得我们在训练参数量巨大的模型时避免不了过拟合的问题。
3.增量学习和可扩展学习可以更好通过适当的计算负载，有效地对高光谱遥感影像进行分类，在训练样本有限的高光谱影像分类上十分有效。此外，宽度和深度学习模型可以在深度方向生成，也可以在宽方向生成，或者在宽方向和深度方向同时生成，可以更好的提取高光谱遥感影像的空间光谱信息以及分层抽象特征，并且宽神经网络通常具有较好的泛化性能。


技术实现要素：

4.针对现有技术中存在的问题，本发明的目的在于提供基于宽度和深度傅里叶网络的高光谱遥感影像分类方法。
5.为了达到上述目的，本发明采用以下技术方案予以实现。
6.基于宽度和深度傅里叶网络的高光谱遥感影像分类方法，包括以下步骤：
7.步骤1，获取多张高光谱遥感影像，对高光谱遥感影像进行预处理，得到训练集；
8.步骤2，建立宽度和深度傅里叶网络；
9.步骤3，使用训练集样本对宽度和深度傅里叶网络进行训练，得到训练完成的宽度和深度傅里叶网络；
10.步骤4，使用训练完成的宽度和深度傅里叶网络对的高光谱遥感影像进行分类。
11.与现有技术相比，本发明的有益效果为：
12.(1)本发明的宽度深层傅里叶神经网络，在宽度方向上使用傅里叶变换提取高光谱影像的空间和光谱信息，在深度方向上逐层添加宽傅里叶层，提取图像的分层特征，提高了学习效率和学习精度；
13.(2)本发明将影像转换到频率域上对其进行特征提取，可以使用快速傅里叶变换来加速计算过程；并且由于只使用了有效的傅立叶变换输出分量，所以输出的数据量大大减少，因此本发明的宽度和深度傅里叶网络只需要很小的计算量。
14.(3)本发明在宽度和深度傅里叶神经网络中添加了一个全连接层用于分类，通过使用最小二乘法学习全连接层中的权重，使得网络训练过程更加简化。
附图说明
15.下面结合附图和具体实施例对本发明做进一步详细说明。
16.图1为本发明的流程示意图；
17.图2为本发明的宽度傅里叶层的处理流程示意图。
具体实施方式
18.下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
19.参考图1，基于宽度和深度傅里叶网络的高光谱遥感影像分类方法，包括以下步骤：
20.步骤1，获取多张高光谱遥感影像，对高光谱遥感影像进行预处理，得到训练集；
21.具体的，对高光谱遥感影像进行主成分分析法和归一化处理，再将处理后的高光谱遥感影像分割成m个固定大小的图像块，最后对每个图像块进行拉伸，得到m个拉伸向量；将每个高光谱遥感影像预处理得到的m个拉伸向量作为一组训练样本，得到训练集。
22.步骤2，建立宽度和深度傅里叶网络；
23.具体的，宽度和深度傅里叶网络包含依次连接的4层宽度傅里叶层和全连接层；宽度和深度傅里叶网络的输入为高光谱遥感影像预处理得到的m个拉伸向量，输出为高光谱遥感影像的分类结果；
24.第1层宽度傅里叶层的输入为高光谱遥感影像预处理得到的m个拉伸向量；第2至4层的宽度傅里叶层的输入为上一层的输出；
25.参考图2，第1至3层的宽度傅里叶层的处理过程如下：
26.子步骤1，使用滑动窗口对输入向量进行切片，每个输入向量下得到n个一维切片；
27.子步骤2，对每个一维切片的其他维度用零进行填充，得到n个子向量；
28.子步骤3，对每个子向量进行离散傅里叶变换，每个子向量得到k个复向量；以傅里叶变换振幅作为有效特征向量，对每个子向量的k个复向量求模，得到k个傅里叶变换振幅向量；为了更有效地表示频域中的特征，再对每个子向量的k个傅里叶变换振幅向量求和，得到每个子向量的傅里叶变换振幅向量；
29.子步骤4，对所有子向量的傅里叶变换振幅向量由大到小进行排序；
30.子步骤5，保留前ns个子向量的傅里叶变换振幅向量作为每个输入向量的特征向量并输出；其中ns为下一层网络子向量的维度。
31.最后一层的宽度傅里叶层即第4层的宽度傅里叶层的处理过程如下：
32.子步骤1，使用滑动窗口对输入向量进行切片，每个输入向量下得到n个一维切片；
33.子步骤2，对每个一维切片的其他维度用零进行填充，得到n个子向量；
34.子步骤3，对每个子向量进行离散傅里叶变换，每个子向量得到k个复向量；
[0035][0036]
式中，v
mn
为第m个拉伸向量中第n个子向量，其中1≤m≤m，1≤n≤n；l表示频率分量的数量，1≤l≤l-1；
[0037]
以傅里叶变换振幅作为有效特征向量，对每个子向量的k个复向量求模，得到k个傅里叶变换振幅向量；
[0038]
傅里叶变换振幅向量表示为：
[0039][0040]
为了更有效地表示频域中的特征，再对每个子向量的k个傅里叶变换振幅向量求和，得到每个子向量的傅里叶变换振幅向量；
[0041]
子步骤4，对所有子向量的傅里叶变换振幅向量由大到小进行排序；
[0042]
子步骤5，保留前ns个子向量的傅里叶变换振幅向量作为每个输入向量的特征向量；其中ns为下一层网络子向量的维度；
[0043]
子步骤6，将所有输入向量的特征向量进行合并，得到合并向量并输出。
[0044]
全连接层对最后一层的宽度傅里叶层输出的合并向量进行分类，输出分类结果。
[0045]
全连接层的输出为：
[0046][0047]
式中，为第q层宽度傅里叶层的输出；
[0048]
假设实例类的真值由d给出，可使用最小二乘法计算权重：
[0049][0050]
由以下给出的u
ft
伪逆计算公式得出:
[0051][0052]
4个宽度傅里叶层的超参数分别为：
[0053]
第一层宽傅里叶变换层：滑动窗口长度为15，步长为0.9，离散傅里叶变换的大小为600，修剪数据量得到的输出个数为100；
[0054]
第二层宽傅里叶变换层：滑动窗口长度为0.35，步长为0.15，离散傅里叶变换的大小为1000，修剪数据量得到的输出个数为100；
[0055]
第三层宽傅里叶变换层：滑动窗口长度为0.3，步长为0.15，离散傅里叶变换的大小为1000，修剪数据量得到的输出个数为100；
[0056]
第四层宽傅里叶变换层：滑动窗口长度为0.32，步长为0.15，离散傅里叶变换的大小为3000，修剪数据量得到的输出个数为300。
[0057]
步骤3，使用训练集样本对宽度和深度傅里叶网络进行训练，得到训练完成的宽度和深度傅里叶网络；
[0058]
步骤4，使用训练完成的宽度和深度傅里叶网络对的高光谱遥感影像进行分类。
[0059]
仿真试验
[0060]
采用pavia university数据集来测试宽度和深度傅里叶网络的性能。pavia university数据由帕维亚大学校园上方的反射光学系统成像光谱仪(rosis)传感器获取。它有九类土地覆盖，图像的尺寸为610
×
610。剔除没有信息的像素后，尺寸为610
×
340，波段数为103个。从pavia university数据集中得到9个数据组。使用的计算机系统的cpu为
intel-i7-8700k@3.7ghz，32g内存。
[0061]
对本实施例的宽度和深度傅里叶网络与目前主流的学习模型(包括多层感知器mlp、卷积神经网络cnn、2-d cnn、3-d cnn、动态宽度和深度神经网络dwdnn、wsws网络、smsb网络)进行分类精度比较，并使用总体准确度(oa)、平均准确度(aa)和kappa系数作为评价指标。比较结果如表1所示。
[0062]
其中，oa的计算公式为：
[0063][0064]
式中，nc和n
t
分别为正确分类和测试样本的总数。
[0065]
aa定义为：
[0066][0067]
式中，n
c_i
和n
t_i
分别是第i类正确分类和测试样本的数量。
[0068]
表1不同方法的分类精度(％)
[0069]
数据组mlpcnn2-d cnn3-d cnnsmsbwswsdwdnnwd-fnet197.1396.1898.5198.4099.1199.1099.8799.85298.4396.6999.5496.9198.97100.00100.0099.96395.1580.8684.6297.0598.8993.0196.9898.89495.0587.2198.0498.8498.7498.3799.2999.18599.8899.63100.00100.00100.0099.8899.7599.26696.3588.3097.1099.3299.8799.97100.00100.00790.8595.0595.0598.9299.7999.0098.62100.00893.2196.3996.3998.3398.9998.3399.5999.50999.3099.6999.6999.9098.0498.9599.6599.30oa96.4793.6697.8496.5299.1199.1999.6999.77aa95.0491.6596.5697.4799.1698.5199.3199.55kappa95.3691.7297.1995.5098.7998.9399.5999.69
[0070]
从表1可以看出，本实施例的wd-fnet在所有分类方法中综合性能最好，其中wd-fnet的oa、aa和kappa系数分别为99.77％、99.55％和99.69％。
[0071]
虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。