一种混合神经网络高光谱遥感影像滨海湿地地物识别方法

技术领域

本发明涉及地物类型识别领域，具体为一种混合神经网络高光谱遥感影像滨海湿地地物识别方法。

背景技术

高光谱遥感影像地物识别是遥感领域中研究的热点问题。由于高光谱遥影像具有信息量大、波段丰富等特征，并且数据应用情况远滞后于其数据获取能力。因此，如何把海量的高光谱遥感影像进行快速分类是加快高光谱遥感图像利用率的关键所在。近年来，基于图(Graph)的卷积结构研究取得了一定进展，在具有不同数量邻接节点的子图之间维持卷积的共享权重是卷积网络在网络数据取得成果的重要性。当前的图卷积神经网络只能提取相邻节点间的一阶统计关联信息，而对高阶信息学习能力不足。同时，对高光谱遥感影像而言，传统建模方法往往囿于欧几里得空间域的空间-频谱信息学习能力不足。因此，本发明提供了一种混合神经网络高光谱遥感影像滨海湿地地物识别方法，能够根据一部分的地物真实数据精确地识别出地物类型。

发明内容

本发明的目的在于提供一种基于多流混合卷积网络的高光谱遥感影像地物识别方法，根据不同深度神经网络流的优势学习欧几里得空间与非欧几里得空间下的高光谱遥感影像中包含的地物表征特征以及任意地物特征间的关联信息，同时引入多层感知机对不同流提取的地物表征特征进行融合和建模，具有高光谱遥感影像地物识别准确率高、鲁棒性强等特点，解决了现有技术中精度不高等问题。

为实现上述目的，本发明提供如下技术方案：一种混合神经网络高光谱遥感影像滨海湿地地物识别方法，该方法包含以下步骤：

步骤1：将数据集中的少量训练样本和真实地物读入多流混合卷积神经网络中，根据实际需要，应先对训练样本以及真实地物标签进行预处理，如数据归一化操作、数据增强、裁剪等；

步骤2：将一阶图卷积神经网络(GCN)特征提取过程作为G流，从高光谱遥感影像中提取非欧几里得空间中的地物间不规则的关联性信息；

步骤3：将一阶卷积神经网络(CNN)特征提取作为C流，从高光谱遥感影像提取欧几里得空间中规则的空间-频谱信息；

步骤4：将卷积神经网络和二阶池化操作相结合来进行特征提取作为N流，从高光谱遥感影像提取欧几里得空间中规则的地物边界信息；

步骤5：将图卷积神经网络和图二阶池化操作相结合来进行特征提取作为S流，从高光谱遥感影像提取非欧几里得空间中规则的地物边界和类内的关联信息；

步骤6：将不同流提取的地物信息表征特征使用MLP进行特征结合并进行后处理得到可视化后的高光谱遥感影像地物识别分类图。

作为本发明的一种优选技术方案，所述步骤1和步骤6中是对高光谱遥感影像进行预处理和后处理。

作为本发明的一种优选技术方案，所述步骤2-步骤4中提出的是基于混合统计的多流混合卷积神经网络的地物分类模型。

本发明的有益效果是：本发明首先通过采用不同流混合统计的深度神经网络特征优势提取表征能力强、丰富的语义信息，从而达到精确区分地物类型的目的。其次，本发明中提出了一种融合多种地物表征特征分类模型，基于多流地物表征特征对高光谱遥感影像像素进行准确、有效、鲁棒分类。本发明将在自然灾害监测、土地覆盖类型判别、城市规划和生态环境变化监测等方面具有广泛应用前景。

附图说明

图1为本发明的流程简图；

图2为本发明的具体流程图。

具体实施方式

下面结合附图对本发明的实施例步骤进行详细阐述，以使本发明的优点、特征及方法能更易被本领域或其他领域人员理解，从而对本发明的权利保护范围做出更为清楚明确的界定。

实施例：请参阅图1-2，本发明提供一种技术方案：一种混合神经网络高光谱遥感影像滨海湿地地物识别方法，该方法包含以下步骤：

步骤1：对给定的高光谱遥感影像分别进行相关预处理操作，包括几何校正、大气校正、图像增强、数据归一化等；

步骤2：首先使用k近邻算法来构建图G＝(V,E),其中V＝{m

步骤3：对于步骤1中预处理后的高光谱遥感影像执行C流操作。C流是由一系列CNN层、最大池化层和批量归一化(BN)层组成。其中，本发明中C流中的每一层均类似于2D CNN网络，其中包含三个2D卷积块。每个卷积块都包含一个2D卷积层、一个BN层、一个最大池化层和一个ReLU激活层。此外，每个卷积层沿空间域和光谱域的感受野分别为3×3×32、3×3×64和1×1×128；

步骤4：对于步骤1中预处理后的高光谱遥感影像执行N流操作：将卷积神经网络提取一阶特征信息，依据一阶信息计算二阶统计量，并进行向量化操作，来提取N流特征；

步骤5：对于步骤1中预处理后的高光谱遥感影像执行S流操作：将图卷积神经网络和图二阶池化操作相结合来进行特征提取作为S流，以此获得非欧几里得空间中规则的地物中边界和类内的关联信息；

步骤6：将不同流提取的特征使用MLP进行特征结合并进行后处理得到可视化后的高光谱遥感影像地物识别分类图。

步骤1和6中是对高光谱遥感影像进行预处理和后处理，所述步骤2-4中提出的是基于混合统计的多流混合卷积神经网络的地物分类模型。

本发明所采用的优选技术方案，该具体方法包含以下步骤：

步骤1：取高光谱遥感影像分别进行预处理操作，包括几何校正、大气校正、图像增强、数据归一化等；

步骤2：将一阶图卷积神经网络(GCN)特征提取过程作为G流，以获得影像中非欧几里得空间中的地物不规则的关联性信息；

进一步，所述步骤2，具体为：

步骤2.1：使用k近邻算法来构建图G＝(V,E),其中V＝{m

步骤2.2：依据

步骤3：C流是由一系列CNN层、最大池化层和批量归一化(BN)层组成。其中，强制C流中的每一层类似于2D CNN网络，其中包含三个2D卷积块。每个卷积块都包含一个2D卷积层、一个BN层、一个最大池化层和一个ReLU激活层。此外，每个卷积层沿空间域和光谱域的感受野分别为3×3×32、3×3×64和1×1×128；

步骤4：将卷积神经网络提取一阶特征信息，然后依据一阶信息计算二阶统计量，然后进行向量化操作，来提取N流特征；

进一步，所述步骤4，具体为：

步骤4.1：利用卷积神经网络提取一阶信息得到H

步骤4.2：依据

步骤5：将图卷积神经网络和图二阶池化操作相结合来进行特征提取作为S流，从而来获得非欧几里得空间中规则的地物中边界和类内的关联信息；

进一步，所述步骤5，具体为：

步骤5.1：利用图卷积神经网络提取一阶信息得到H

步骤5.2：依据

步骤6：将不同流提取的特征使用MLP进行特征结合并进行后处理得到可视化后的高光谱遥感影像地物识别分类图；

进一步，步骤6的设计过程可由以下几个步骤构成：

步骤6.1：根据

步骤6.2：损失函数选用cross-entropy，对输入参数进行log-SoftMax函数激活，优化函数选用一种自适应学习率的优化方法Adam优化函数进行优化。

本发明通过利用多流深度神经网络采用在混合统计量约束下的多种卷积操作进行地物表征信息特征提取，同时结合多层感知机来进行特征融合，从而达到精确区分地物类型的目的。本发明将在自然灾害监测、土地覆盖类型判别、城市规划和生态环境变化监测等方面具有广泛应用前景。

上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。