高光谱遥感图像空谱联合分类方法研究--基于光谱，空间，空谱的DBN+LR

论文地址

高光谱遥感图像空谱联合分类方法研究

辽宁工程技术大学

基于DBN的特征提取方法和图像分类架构用于高光谱数据分析，将谱域-空域特征提取和分类器相结合提高了分类精度。

 

1.引言

针对高光谱数据量大，特征维数高的特点

降低维度的方法：

两种方法：一种是特征选择，一种是特征提取。

特征选择是找到原始波段的一个合适的子集，

特征提取是在变换后的特征空间中寻找一个真子集。

分类阶段，分类器使用降维后的特征代替原始数据来分类。

 

传统的分类器像线性SVM和LR是单层分类器，而决策树和核SVM有两层。然而深度架构有多层，能提取抽象的和不变的特征来改善图像和信号分类。

 

本文提出一种基于DBN的新的特征提取和图像分类架构用于高光谱数据分析，利用单层RBM和多层DBN模型分别学习浅层和深层特征，使用LR分类器。

2.深度学习与RBM 和DBN

2.1 特征学习和深度学习

RBM 单层神经网络

DBN 多个RBM堆叠

都是无监督学习

 

3.基于DBN的分类器架构

分别使用光谱特征、空间特征和谱域-空域特征建立三个基于DBN的架构对高光谱数据进行分类

3.1光谱分类器架构

 

输入空间X把原始光谱数据的像素转换为一个一维向量？如何转化？

将所有的光谱波段的响应作为输入数据（这个我试过，虽然数据上会有冗余），必须调整模型使其稀疏化。

DBN + LR LR调整从DBN中学习到的特征，对于整个结构而言，DBN是特征学习模型，LR是分类模型。

使用所有的光谱波段的原始数据作为输入，DBN从输入数据中学习典型的和鲁棒的特征，通过几个层的非线性特征变换来描述输入和特征之间复杂的映射，最后，LR层用从DBN中学到的特征来产生类别标签。

 

3.2空间分类器架构

对高光谱数据进行压缩，因为相邻波段地物反射的幅度值相近，等间距提取l个波段，虽然会丢失部分光谱信息，但是空间信息基本不会受影响。这样可以减少计算量，防止后面的DBN的特征提取过程产生过高的维数，又不影响区分地物的性能。（常规处理，大部分处理空间像素的特征提取都要对光谱维度进行一定的冗余压缩）

 

但是使用DBN，输入是一维向量，对于光谱维度信息提取，扫描时，输入是光谱维度转化的一位向量，在空间维度上怎么处理成一维向量？

在压缩的高光谱图像中，选取压缩数据中预分类像素的一个邻域，根据邻域中的像素距离中心像素的位置分配不同的权重，用邻域中所有像素加权后的光谱之作为该像素（预分类像素）的光谱值。将邻域中经邻域像素加权表示之后的预分类像素的光谱值转换为一个一维向量。

加权像素最后分为预分类像素包括光谱维度，在转成一维向量。

 

3.3 谱域-空域分类器架构

利用向量叠加来处理多特征的融合。

最后能对每个像素分配一个类别标签。

 

4.实验与结果分析

4.1实验数据Indian、Pavia 数据集  （高光谱影像最常用的两个数据集）

                                         

标签样本被随机的分为训练集和测试集，比例为1:1。（比例分配很重要，通常1:1比较常见，但是在CNN模型中有的论文，比例在1:10，效果也不错，我自己试验，通常都是1:1，考虑数据扩充的话，可能也有4:6，然后对训练集进行数据扩充，扩3-4倍，考虑到硬件设备的能力）。

 

评价标准：OA、AA、kappa系数，做高光谱图像处理的三大系数，高分的话，多用OA、AA

 

4.2光谱分类器

影像因素：

DBN的深度：

Indian：200 – 100 - … - 100 –16  隐藏单元的数目，就是常见的通道数channel，这块的设计还是有点东西的

Pavia：103 – 60 - … - 60 –9

对于两个数据集最好的深度是2和3

 

隐藏单元数：

两个数据集的隐藏单元数是120和60

 

4.3空间分类器

空间邻域大小的影响：

窗口中的数字表示权重，该权重不是对应位置的像素光谱值的倍数，而是在空间特征向量中重复出现的次数。

等间隔取10个波段，对于（a）：9个1则输入节点为90，第二驶入节点为50，第三个输入节点为140

 

窗口大小是 7* 7

空间邻域权重的影响：邻域窗口的权重能够决定空间特征向量的维数，从而影响分类精度。

邻域窗口大小相同且输入节点基本一致时，采用不均匀分配权重的方法，即离处理像素点越近权重越大，离处理像素点的权重越小，则会获得较高的分类精度，同时保证了运行速度。

 

4.4谱域-空域分类器

空间邻域大小的影响： 5*5

空间邻域权重的影响：因为谱域的特征向量已经包含了处理像素的所有波段值，邻域权重把中心像素（即预分类像素）的权重改为0，减少输入节点。

隐藏单元数的影响：

与其他分类器的比较：

训练样本大小的影响：

训练与测试样本比例之比，差别不是特别大，之前有用cnn做的时候，差别是比较明显的。

 

4.5整体图像的视觉检测

 

 

5.结论