本发明公开了一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法。
首先,鉴于直接使用高波段的张量数据会使得深度卷积神经网络的参数空间大幅度增加,因此引入最大似然本征维估计算法和主成分分析对归一化高光谱图像的波段维进行降维,得到低波段的高光谱图像。
然后,通过窗口领域,将低波段高光谱图像转化为张量型低波段高光谱图像,保持每个像素点的光谱和空间信息。
最后,利用深度卷积神经网络对张量型低波段高光谱图像进行光谱-空间降维,使得降维后的特征同时包括光谱信息和空间信息。
本发明能有效地利用高光谱数据的光谱特征和空间领域特征,获得较高的整体分类精度和Kappa系数。
| 专利名称 | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 | ||
|---|---|---|---|
| 专利状态 | - | 专利号(申请号) | CN201610321578.6 |
| 申请号 | - | 专利申请日期 | 2016-05-13 |
| 专利授权日期 | 2016-10-12 | 专利权届满日 | - |
| 专利所属地 | 中国 | 专利类型 | 发明专利 |
| 发明人 | 王雪松;孔毅;程玉虎 | ||
| 权利人 | - | ||
| 专利摘要 | 本发明公开了一种基于深度卷积神经网络的张量型高光谱图像光谱‑空间降维方法,首先,鉴于直接使用高波段的张量数据会使得深度卷积神经网络的参数空间大幅度增加,引入最大似然本征维估计算法和主成分分析对归一化高光谱图像的波段维进行降维,得到低波段的高光谱图像;然后,通过窗口领域,将低波段高光谱图像转化为张量型低波段高光谱图像,保持每个像素点的光谱和空间信息;最后,利用深度卷积神经网络对张量型低波段高光谱图像进行光谱‑空间降维,使得降维后的特征同时包括光谱信息和空间信息。本发明能有效地利用高光谱数据的光谱特征和空间领域特征获得较高的整体分类精度和Kappa系数。 | ||