基于深度学习的高光谱遥感影像分类 .pdfVIP

基于深度学习的高光谱遥感影像分类

朱寿红;王胜利;舒帮荣

【摘要】从传统高光谱遥感影像分类的不足出发,提出一种空-谱信息与深度学习相

结合的影像分类方法.利用深度学习的常用模型—深度置信网络(DBN)对高光谱影

像进行了基于空-谱特征的分类.首先利用主成分分析(PCA)对原始影像进行降维,再

对主成分图影像块内的所有像素按照窗口大小进行重组,并用排序的方法堆栈融合

为空-谱特征.最后利用得到的空-谱特征作为DBN的输入对高光谱影像进行分类.

通过在2组高光谱数据上进行试验,并与传统的分类算法进行比较,发现本文方法能

较好地提高分类精度.

【期刊名称】《城市勘测》

【年(卷),期】2017(000)004

【总页数】6页(P84-88,92)

【关键词】高光谱遥感;空-谱特征;深度学习;限制玻尔兹曼机;深度置信网络;影像分

类

【作者】朱寿红;王胜利;舒帮荣

【作者单位】江苏师范大学地理测绘与城乡规划学院,江苏徐州221116;江苏师范

大学地理测绘与城乡规划学院,江苏徐州221116;江苏师范大学地理测绘与城乡规

划学院,江苏徐州221116

【正文语种】中文

【中图分类】P236;TP75

影像分类作为遥感信息提取的重要手段，受到学者们的广泛研究并取得一定成果

[1～4]。但由于高光谱影像图谱合一、高维度和数据中非线性成分的存在，传统分

类方法难以满足其分类的需求，探索新的分类理论和方法具有十分重要的意义。在

常用的高光谱影像分类方法中，支持向量机(SupportVectormachine，SVM)是

精度较高、应用广泛的模型之一[4～7]。而近年来，深度学习[8～9]成为解决影像

分类所面临的高维数据和算法泛化能力差问题的一个有力工具，并在影像分类领域

取得了很好的效果[10～13]。

为了进一步提高高光谱影像分类精度，应将光谱信息和空间信息充分结合起来，寻

找一种适合高维数据处理的分类算法。尽管深度学习在影像分类方面取得了一些成

果，但数据输入维度、网络优化算法和模型自身参数设置比较复杂，目前还没有统

一可供参考的标准。因此，本文引入空-谱特征利用深度学习进行高光谱影像分类，

通过多次试验寻找合适的参数：首先，利用主成分分析(PrincipalComponent

Analysis，PCA)对原始影像进行降维；然后，对主成分图影像块内的所有像素按

照窗口大小进行重组，并用排序的方法堆栈融合得到旋转不变的空-谱特征；最后，

将空-谱特征作为深度置信网络的输入进行分类。采用2组高光谱数据进行试验的

结果表明，与传统分类方法相比，本文方法可以获得较高的分类精度。

2.1限制玻尔兹曼机(RestrictedBoltzmannMachines，RBM)

RBM[14]是对称连接且无反馈机制的两层随机神经网络模型，层间全连接，层内

无连接，如图1所示。

假设一个具有n个可视节点和m个隐藏节点RBM的状态随机变量为(v，h；θ)，

则其能量函数如式(1)所示：

E(v，h；

式中，θ=(Wij，ai，bj)，Wij为层间节点连接权重，ai为可视节点i的偏置，bj

为隐藏节点j的偏置。RBM的学习过程是确定参数θ=(Wij，ai，bj)的过程，又称

编码解码。

2.2DBN模型

多层RBM和后向传播算法(BP)构成DBN模型[15]，如图2所示。其训练过程包

括预训练、编码解码和微调三个过程。预训练阶段，采用贪婪学习算法[9]调整每

层RBM参数，一层RBM训练完成后，将其输出结果作为输入数据训练下一层

RBM，直到预训练结束；然后，利用监督学习将重构误差后向传播，微调θ。与

传统神经网络相比，微调θ能够提高训练效率，避免网络陷入局部最优解。

高光谱影像各个波段间存在较强的相关性，存在信息冗余，因此在提取空间特征前

需要对影像进行PCA降维。假定高光谱影像I在PCA降维后保留d个波段用于分

类试验，那么影像上任意像素x0的空-谱特征可由下式进行构造

U={f0，sort([f1，f2，…，fm2-(r+1)])}∈Rd×(m×m)

式中，f0∈Rd×1是中心像素x0的谱向矢量，f1→fm2-1分别为中心像素x0所

在大小为m×m窗口内的其他像素的谱向矢量，根据式(fi-