Sun
您当前的位置: www.6460.com > www.6460.com >

拥有“图谱合一”的特点

浏览次数: | 时间:2019-10-29

  本发现属于图像处置手艺范畴,涉及一种高光谱图像分类方式,具体涉及一种基于熵率超像素朋分的自编码器的高光谱图像分类方式,用于农业,测绘,考古,和灾祸监测等范畴。

  (4c)采用softmax逻辑回归分类器,对自编码器收集的最初一层的躲藏层激活值a(n+1)进行分类,获得测试样本集Xq的类别标签Yq,即为高光谱图像的分类成果。

  正在表1中,展现了本发现取SAE对于Indian Pines高光谱图像中每品种此外分类精度和对所有类此外OA、AA、和Kappa成果。

  (3c5)反复步调(3c2)-(3c4),曲至第l层自编码器丧失函数J(w(l),b(l))不再改变,获得第l层自编码器收集的毗连权值w(l)和误差b(l);

  (3c2)操纵第l层自编码器丧失函数J(w(l),b(l)),采用梯度下降法,将J(w(l),b(l))对沉构特征进行偏导操做,计较第l层自编码器收集沉构层残差

  目前,研究人员曾经提出了很多典范的分类方式用于高光谱图像分类,代表性的分类方式有K-近邻(KNN)、支撑向量机(SVM)和神经收集(NN)。KNN将样天职类于正在特征空间中的距离它比来的k个样本中的大大都样本属于的类别,其算法比力简单,易于实现,是最早引入高光谱分类的算法之一,可是,KNN需要大量的样本数据,同时需要庞大的预存储空间,时间复杂度很高,同时精度也不高。SVM通过最大化类别鸿沟,正在小样天职类中取得了较好的分类成果。gani,and L.Bruzzone正在“Classification of hyperspectral remote sensing images with support vector machines,IEEE Trans.Geosci.Remote Sens.,vol.42,no.8,pp.1778-1790,Aug.2004”将SVM引入了高光谱图像分类,正在其时取得了最好的分类成果,可是,对于SVM,若何确核函数,现正在还没有合适的方式,完全需要经验判断,选择不合适的核函数会导致分类机能欠安,同时求解核函数也很复杂。

  (1c)按照光谱波段对初始锻炼样本集Xpp和初始测试样本集Xqq别离进行归一化操做,获得归一化后的锻炼样本集Xp和测试样本集Xq;

  起首比力白色框的区域,该区域对应的是图2(c)中下方响应区域,图2(c)是本发现利用的高光谱图像线(a)下方矩形框中摆布边缘噪声点比力多,而正在图3(b)中,本发现分类图白色方矩形框中左边和两头区域分歧性比力好,噪声点比力少,左边区域有部门噪声点,可是比拟图3(a)中响应区域的噪声点比拟而言,本发现的分类图图3(b)结果更佳,再则,该区域左边噪声点也是原图的实正在反映。然后我们再看两头灰色框和左边灰色框的的分类结果,较着我们发现的噪点要比SAE的噪点少良多,分类结果更佳。

  (2b)确定自编码器收集各层的节点数、进修速度α和激活函数f(Z),进修速度α=0.01,激活函数f(Z)为sigmoid函数,并对自编码器收集第l层的输入层和躲藏层的毗连权值w(l)和误差b(l)以及第l层自编码器收集的躲藏层和沉构层的毗连权值和误差进行随机初始化,3层自编码器收集建立完成。

  步调1,输入高光谱图像Indian Pines,拜见图2(a),图2(a)是Indian Pines高光谱三维图像,是本发现尝试利用的数据,从Indian Pines高光谱图像中获取锻炼样本Xp和测试样本Xq:

  将第l层自编码器收集的躲藏层激活值a(l+1)做为第l+1层自编码器收集的输入层激活值a(l),令l=l+1,反复步调(3a)-(3c),曲到l=3,获得第l层自编码器收集的毗连权值w(l)和误差b(l);

  (3c1)操纵自编码器收集第l层熵率超像素朋分束缚J2(w(l),b(l)),计较第l层自编码器丧失函数J(w(l),b(l)):

  (2a)建立每一层由输入层、躲藏层和沉构层构成的自编码器收集,此中,自编码器收集的第l+1层的输入层等于第l层的躲藏层,l=1,…,3;

  (3c4)操纵第l层自编码器收集躲藏层残差更新第l层自编码器收集的毗连权值w(l)和误差b(l):

  2、本发现正在自编码器的根本上引入了熵率超像素朋分束缚,因为熵率超像素朋分束缚区域内分歧性进行了束缚,使得我们的分类成果获得了更好的区域分歧性。

  (3c)操纵自编码器收集第l层熵率超像素朋分束缚J2(w(l),b(l)),通过最小化丧失函数J(w(l),b(l)),计较第l层自编码器收集的毗连权值w(l)和误差b(l),l=1:

  (3)对基于熵率超像素朋分的自编码器收集进行锻炼,获得锻炼后的基于熵率超像素朋分的自编码器收集:

  (3c)操纵自编码器收集第l层熵率超像素朋分束缚J2(w(l),b(l)),计较第l层自编码器收集的毗连权值w(l)和误差b(l),l=1;

  (3b)定义自编码器收集第l层熵率超像素朋分束缚的计较公式,并将自编码器收集第l层的沉构层激活值做为该计较公式的输入,计较自编码器收集第l层熵率超像素朋分束缚J2(w(l),b(l)),l=1;

  通过对自编码器收集进行锻炼,获得自编码器收集的最优参数。本发现中的一些先验消息或束缚消息对于自编码器收集的特征进修是必不成少的。做为深度进修模子的次要构成部门之一,自编码器收集次要完成了转换进修使命,通过自编码器收集将高维数据转换为低维数据,展现了强大的特征暗示和模子泛化能力。

  (1b)随机拔取Xa的10%样本构成锻炼样本集Xpp,Xpp∈Rb×pp,其余的90%样本构成测试样本集Xqq,Xqq∈Rb×qq,此中,pp暗示初始锻炼样本集Xpp的数量,qq代表初始测试样本的数量,且满脚pp+qq=m;

  (3c3)操纵第l层自编码器丧失函数J(w(l),b(l))和第l层自编码器收集沉构层残差采用梯度下降法,将J(w(l),b(l))对沉构特征进行偏导操做,计较第l层自编码器收集躲藏层残差

  (1b)将Xa中类别标签为1到16的样本随机取10%样本构成初始锻炼样本集:Xpp,Xpp∈R220×1025,其余的90%样本构成初始测试样本集Xqq,Xqq∈R220×9224,此中,pp,qq别离代表初始锻炼样本和初始测试样本的数量,满脚pp+;

  从表1能够看出,相对于SAE,本发现正在分类精度上取得了很大的提高。OA提高了7.6%,AA提高了4.5%,Kappa提高了5.9%。本发现引入样本的熵率超像素朋分束缚,供给了先验消息和束缚消息,充实挖掘了样本的空间上下文布局分布特征,更高效的提取有分辨力的特征,获得更好的分类机能。

  此中,是自编码器收集第l层的躲藏层和沉构层的毗连权值,是自编码器收集第l层的躲藏层和沉构层的误差,是第l层沉构层的未激活值;

  此中,N1是熵率超像素朋分区域数目,这里我们设置为1000,πi是第i个熵率超像素朋分区域,p,q∈πi,暗示p和q是熵率超像素朋分区域πi内肆意两个临近样本;

  (4b)锻炼后的基于熵率超像素朋分的自编码器收集对测试样本集Xq进行逐层进修,获得自编码器收集的最初一层的躲藏层激活值a(n+1);

  (1a)将三维的高光谱图像X转换为二维高光谱图像Xa,Xa∈Rb×m,此中,b暗示Xa的波段个数,m暗示Xa的样本个数;

  本发现引入了熵率超像素朋分束缚,通过束缚高光谱图像样本的空间上下文邻域消息,充实考虑挖掘了数据样本的分布特征,以改善高光谱分类机能,提高分类精度,可以或许合用于图像处置中分歧类型数据的处置。

  本发现的目标正在于针对上述已无方法的不脚,提出了一种基于熵率超像素朋分的自编码器的高光谱图像分类方式,用于处理现有高光谱图像分类方式中存正在的分类精度低的手艺问题。

  (3a1)将锻炼样本集Xp做为第l层自编码器收集的输入层激活值a(l),并操纵该输入层激活值a(l)计较躲藏层激活值a(l+1);

  (3a1)将锻炼样本集Xp做为第l层自编码器收集的输入层激活值a(l),并操纵该输入层激活值a(l)计较躲藏层激活值a(l+1),计较公式为:

  NN的方针是像人类的大脑一样以同样的体例处理问题。为了模仿人类大脑的思维方式和处理问题的能力,近些年来,研究人员提出了雷同于人脑思维体例的深度进修方式。目前,因为深度进修正在语音和图像范畴表示出的强大劣势,深度进修的使用也变得愈加普遍,Hinton正在“Reducing the dimensionality of data with neural networks,Science,vol.313,no.5786,pp.504-507,Jul.2006”提出了栈式自编码器的概念(SAE),SAE通过最小化输入层和沉构层之间的误差来进修输入数据的特征。正在SAE中,高维数据能够通过锻炼多层神经收集转换成低维数据,同时SAE可以或许从动进修特征,不再需要人工构制特征,具有强大的特征暗示和对复杂使命建模的能力。Jiming Li正在“Deep feature representation for hyperspectral image classification,IEEE Trans.Geosci.Remote Sens.,2015”将SAE使用到了高光谱图像分类,通过最小化输入层取沉构层之间的误差函数来锻炼自编码器收集,然后将高光谱数据输入到锻炼好的自编码器中逐层进修特征,最初将特征输入到分类器中获得分类成果,相对于保守的浅层的KNN和SVM等方式,精度曾经取得了提高。然而,因为没有考虑高光谱图像的空间上下文消息和样本的分布特征,导致分类精度比力低。

  步调3,对基于熵率超像素朋分的自编码器收集进行锻炼,获得锻炼后的基于熵率超像素朋分的自编码器收集:

  图2是本发现仿实利用的Indian Pines高光谱图像的三维实正在图像,伪彩图和分类参考图;

  跟着科学手艺的成长,高光谱遥感手艺获得了庞大的成长。高光谱数据可暗示为高光谱数据立方体,是三维数据布局。高光谱数据可视为三维图像,正在通俗二维图像之外又多了一维光谱消息。其空间图像描述地表的二维空间特征,其光谱维了图像每一像元的光谱曲线特征,由此实现了遥感数据空间维取光谱维消息的无机融合。高光谱遥感图像含有丰硕的光谱消息,能够供给空间域消息和光谱域消息,具有“图谱合一”的特点,能够实现对地物切确的分辨取细节提取,对于认识客不雅世界供给了有益前提。因为高光谱图像独有的特点,必赢娱乐官方网站,高光谱遥感手艺曾经普遍的使用正在分歧的范畴。正在平易近用范畴,高光谱遥感影像曾经被用于城市监测、地表土壤监测、地质勘察、灾祸评估、农业产量估量、农做物阐发等方面。高光谱遥感手艺曾经普遍的使用于人们的日常糊口中。因而,设想适用高效的高光谱图像分类方式,曾经成为现代社会必不成少的科技需求。

  1、本发现因为引入了熵率超像素朋分束缚,通过束缚高光谱图像样本的空间上下文邻域消息,充实考虑挖掘了数据样本的分布特征,以改善高光谱分类机能,加强了自编码器进修特征的能力,可以或许获得愈加具有分辨力的特征,无效地提高了高光谱图像的分类精度。

  熵率超像素朋分提取了样本的空间上下文邻域消息,本发现通过引入熵率超像素朋分束缚,充实考虑挖掘了数据样本之间的分布特征,有益于提取样本的空间上下文布局特征,有益于加强自编码器提取有分辨力的特征;

  (2b)确定自编码器收集各层的节点数、进修速度α和激活函数f(Z),并对自编码器收集第l层的输入层和躲藏层的毗连权值w(l)和误差b(l)以及第l层自编码器收集的躲藏层和沉构层的毗连权值和误差进行初始化,n层自编码器收集建立完成;

  (2a)建立每一层由输入层、躲藏层和沉构层构成的自编码器收集,此中,自编码器收集的第l+1层的输入层等于第l层的躲藏层,l=1,…,n;

  综上,本发现操纵自编码器模子,通过栈式自编码器收集逐层进修的方式,通过引入样本的熵率超像素朋分束缚,挖掘摸索了样本的空间上下文布局分布特征,获得了有分辨力的特征,提高了高光谱图像分类结果。

  比力图3中左侧和左侧区域的矩形框标注的类此外分类成果,能够发觉利用本发现方式比其它对例如式具有更好的区域分歧性。这是因为样本的熵率超像素朋分束缚,了区域内部的分歧,使得我们正在分类成果上获得了更好的区域分歧性。

  此中,w(l)是自编码器收集第l层的输入层和躲藏层的毗连权值,b(l)是自编码器收集第l层的输入层和躲藏层的误差,Z(l+1)是第l层躲藏层的未激活值;

  正在尝试中,从每一类中随机拔取10%的样本做为锻炼样本,残剩的90%样本做为测试样本。尝试进行30次迭代,列举了响应目标的均值和尺度差成果。这里利用的评估分类成果的目标包罗:准确分类的测试样本数目和全体测试样本数目之比OA、所有类别分类切确度的均值AA和评估分类成果分歧性的Kappa系数。

  将第l层自编码器收集的躲藏层激活值a(l+1)做为第l+1层自编码器收集的输入层激活值a(l),令l=l+1,反复步调(3a)-(3c),曲到l=n,获得第l层自编码器收集的毗连权值w(l)和误差b(l);

  (4c)采用softmax逻辑回归分类器,对自编码器收集的最初一层的躲藏层激活值a(n+1)进行分类,获得测试样本集Xq的类别标签Yq,即为高光谱图像的分类成果。

  (1c)按照光谱波段对初始锻炼样本集Xpp和初始测试样本集Xqq别离进行归一化操做,对图像进行归一化有帮于提高分类精度,获得归一化后的锻炼样本集Xp,Xp∈R220×1025和测试样本集Xq,Xq∈R220×9224。

  (4b)锻炼后的基于熵率超像素朋分的自编码器收集对测试样本集Xq进行逐层进修,获得自编码器收集的最初一层的躲藏层激活值a(n+1);

  2仿线,我们对仿实成果进行阐发。用本发现和SAE对Indian Pines高光谱图像通过尝试比对进行分类,获得两种方式对16类地物的线(a)是SAE的分类成果图,图3(b)是我们发现的分类成果图。

  (1a)将三维的高光谱图像Indian Pines转换为二维高光谱图像Xa,Xa∈R220×21025,该图像Xa包含220个光谱波段,21025个样本,类别标签为1到16的样本共有10249个;

  (3b)定义自编码器收集第l层熵率超像素朋分束缚的计较公式,我们操纵自编码器收集第l层的沉构层激活值计较自编码器收集第l层熵率超像素朋分束缚J2(w(l),b(l)),l=1,计较公式为: