本發(fā)明涉及一種遙感圖像像素級(jí)分類方法，特別涉及一種基于自適應(yīng)卷積核卷積神經(jīng)網(wǎng)絡(luò)(adaptivekernelsbasedconvolutionalneuralnetwork,adaptivekernelsbasedcnn)的遙感圖像像素級(jí)分類方法。

背景技術(shù)：

現(xiàn)有的遙感圖像像素級(jí)分類方法主要有兩類：一類是基于人工設(shè)計(jì)特征的；另一類是基于深度學(xué)習(xí)特征的。

文獻(xiàn)“m,kiseleva,alirezaiem,etal.classificationandsegmentationofsatelliteorthoimageryusingconvolutionalneuralnetworks[j].remotesensing,2016,8(4):329.”公開(kāi)了一種基于深度學(xué)習(xí)的遙感圖像分類方法，其卷積核通過(guò)預(yù)先學(xué)習(xí)得到，不需要通過(guò)誤差反饋更新。提出將k-means聚類算法用于提前學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)卷積核的卷積神經(jīng)網(wǎng)絡(luò)(cnn)應(yīng)用到遙感圖像分類，并得到了有效的分類效果。文獻(xiàn)所用k-means聚類算法提前學(xué)習(xí)卷積核需要人工設(shè)定類別個(gè)數(shù)，即卷積核個(gè)數(shù)，但是，通過(guò)人工經(jīng)驗(yàn)設(shè)定的卷積核個(gè)數(shù)無(wú)法自適應(yīng)表征數(shù)據(jù)信息特點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有遙感圖像像素級(jí)分類方法自適應(yīng)性差的不足，本發(fā)明提供一種基于自適應(yīng)卷積核卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像像素級(jí)分類方法。該方法首先計(jì)算數(shù)據(jù)點(diǎn)的密度和距離值，然后自適應(yīng)選取聚類中心為卷積核，最后將學(xué)習(xí)到的卷積核加入cnn對(duì)網(wǎng)絡(luò)的softmax層進(jìn)行訓(xùn)練，對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行遙感圖像像素級(jí)分類。本發(fā)明將改進(jìn)的基于快速尋找和找到密度峰值的聚類算法mcfsfdp，聚類得到自適應(yīng)卷積核，代入基于預(yù)訓(xùn)練卷積核的cnn結(jié)構(gòu)。相對(duì)基于k-means聚類人工設(shè)定聚類類別預(yù)學(xué)習(xí)的卷積核的cnn結(jié)構(gòu)相比，自適應(yīng)學(xué)習(xí)到的卷積核能夠有效表征數(shù)速記據(jù)信息特點(diǎn)并且提高了遙感圖像像素級(jí)分類效果。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案：一種基于自適應(yīng)卷積核卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像像素級(jí)分類方法，其特點(diǎn)是包括以下步驟：

步驟一、隨機(jī)從遙感圖像r選取m個(gè)以像素為中心的圖像塊作為樣本，中心像素類別代表其圖像塊的類別，每個(gè)像素塊大小為m×m。其中從m個(gè)樣本中提取mt個(gè)作為訓(xùn)練樣本其中，遙感圖像r包含r×r個(gè)像素點(diǎn)，mt＜m。

從mt個(gè)訓(xùn)練樣本中隨機(jī)選取大小為n×n的n個(gè)圖像塊作為聚類數(shù)據(jù)。

步驟二、采用mcfsfdp聚類方法自適應(yīng)確定卷積核。

將圖像塊拉成列向量，作為聚類數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)，其數(shù)據(jù)點(diǎn)表示為djk＝dist(pj,pk)表示數(shù)據(jù)點(diǎn)pj和pk之間的歐氏距離。

每一個(gè)數(shù)據(jù)點(diǎn)pj的局部密度ρj計(jì)算：

當(dāng)djk-dc＜0，χ(djk-dc)＝1，否則χ(djk-dc)＝0。dc是一個(gè)截?cái)嗑嚯x，這里表示所有點(diǎn)與點(diǎn)的歐式距離中由小到大排列占總數(shù)2％的距離數(shù)值。

δj表示數(shù)據(jù)點(diǎn)pj與比其密度高的所有點(diǎn)pk之間的最近距離，如公式(2)所示：

對(duì)于擁有最大密度的點(diǎn)其距離為所有點(diǎn)與點(diǎn)距離的最大值δj＝maxk(dkj)。

對(duì)于每個(gè)數(shù)據(jù)點(diǎn)pj，都有與其對(duì)應(yīng)的密度值ρj和距離值δj。距離閾值δ為選擇數(shù)據(jù)點(diǎn)為聚類結(jié)果的唯一標(biāo)準(zhǔn)。

numv＝f(δv)(3)

式中，δv表示距離上有數(shù)據(jù)點(diǎn)的距離值，numv為δj≥δv的數(shù)據(jù)點(diǎn)pj的個(gè)數(shù)。對(duì)公式(3)求微分得：

conv＝[f(δv+1)-f(δv)]/(δv+1-δv)(4)

conv為數(shù)據(jù)點(diǎn)個(gè)數(shù)與距離值的微分。δv和δv+1表示擁有數(shù)據(jù)點(diǎn)的距離閾值的相鄰值δv+1＞δv。對(duì)公式(4)中距離閾值相鄰值δv、δv+1上的conv與conv+1做商，再對(duì)結(jié)果求絕對(duì)值，如公式(5)所示：

quov＝|conv/conv+1|(5)

quov表示兩個(gè)相鄰距離閾值上微分的商的絕對(duì)值。

當(dāng)在某距離閾值區(qū)間δr(δv-1,δv,δv+1∈δr)上的數(shù)據(jù)點(diǎn)數(shù)numv趨近穩(wěn)定，即在此距離閾值區(qū)間上數(shù)據(jù)點(diǎn)個(gè)數(shù)擁有的數(shù)據(jù)點(diǎn)個(gè)數(shù)在相差不大。在這個(gè)區(qū)間的距離閾值δv上存在quov的局部極大值，此時(shí)這個(gè)距離值δv被確定為自適應(yīng)距離閾值δa。

當(dāng)數(shù)據(jù)點(diǎn)pj的距離δj＞δa時(shí)，pj被選擇為類中心點(diǎn)。將選擇到的類中心點(diǎn)pj重新轉(zhuǎn)換為原有大小n×n的圖像塊，即為自適應(yīng)卷積核w^k。

步驟三、基于自適應(yīng)卷積核的cnn訓(xùn)練。

基于自適應(yīng)卷積核的cnn網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、卷積層、池化層、兩個(gè)全連接層和一個(gè)softmax分類器。

圖像塊樣本表示為x，c表示遙感圖像中的波段數(shù)量。經(jīng)過(guò)第k個(gè)卷積核后的特征圖如公式(6)所示，此卷積核使用步驟二中預(yù)先學(xué)習(xí)到自適應(yīng)卷積核：

式中，σ表示限制線性單元函數(shù)(relu)。

降采樣后第k個(gè)特征圖如公式(7)所示：

這里降采樣采用非交疊降采樣方式。

使用訓(xùn)練樣本訓(xùn)練最后的softmax分類器，訓(xùn)練得到訓(xùn)練好的cnn網(wǎng)絡(luò)。

步驟四、使用遙感圖像測(cè)試樣本進(jìn)入上一步訓(xùn)練好的cnn網(wǎng)絡(luò)，正向計(jì)算后得到遙感圖像像素級(jí)分類。

本發(fā)明的有益效果是：該方法首先計(jì)算數(shù)據(jù)點(diǎn)的密度和距離值，然后自適應(yīng)選取聚類中心為卷積核，最后將學(xué)習(xí)到的卷積核加入cnn對(duì)網(wǎng)絡(luò)的softmax層進(jìn)行訓(xùn)練，對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行遙感圖像像素級(jí)分類。本發(fā)明將改進(jìn)的基于快速尋找和找到密度峰值的聚類算法mcfsfdp，聚類得到自適應(yīng)卷積核，代入基于預(yù)訓(xùn)練卷積核的cnn結(jié)構(gòu)。相對(duì)基于k-means聚類人工設(shè)定聚類類別預(yù)學(xué)習(xí)的卷積核的cnn結(jié)構(gòu)相比，自適應(yīng)學(xué)習(xí)到的卷積核能夠有效表征數(shù)速記據(jù)信息特點(diǎn)并且提高了遙感圖像像素級(jí)分類效果。

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作詳細(xì)說(shuō)明。

附圖說(shuō)明

圖1是本發(fā)明基于自適應(yīng)卷積核卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像像素級(jí)分類方法中基于自適應(yīng)卷積核卷積的神經(jīng)網(wǎng)絡(luò)示意圖。

具體實(shí)施方式

參照?qǐng)D1。本發(fā)明基于自適應(yīng)卷積核卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像像素級(jí)分類方法具體步驟如下：

步驟一、數(shù)據(jù)預(yù)處理。

遙感圖像r包含r×r個(gè)像素點(diǎn)。

首先，隨機(jī)從遙感圖像r選取m個(gè)以像素為中心的圖像塊作為樣本，中心像素類別代表其圖像塊的類別，每個(gè)像素塊大小為m×m。其中從m個(gè)樣本中提取mt個(gè)作為訓(xùn)練樣本其中mt<m。

然后，從mt個(gè)訓(xùn)練樣本中隨機(jī)選取大小為n×n的n個(gè)圖像塊作為聚類數(shù)據(jù)。

步驟二、采用mcfsfdp聚類方法自適應(yīng)確定卷積核。

將圖像塊拉成列向量，作為聚類數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)，其數(shù)據(jù)點(diǎn)表示為djk＝dist(pj,pk)表示數(shù)據(jù)點(diǎn)pj和pk之間的歐氏距離。

每一個(gè)數(shù)據(jù)點(diǎn)pj的局部密度ρj計(jì)算：

當(dāng)djk-dc<0，χ(djk-dc)＝1，否則χ(djk-dc)＝0。dc是一個(gè)截?cái)嗑嚯x，這里表示所有點(diǎn)與點(diǎn)的歐式距離中由小到大排列占總數(shù)2％的距離數(shù)值。

δj表示數(shù)據(jù)點(diǎn)pj與比其密度高的所有點(diǎn)pk之間的最近距離，如公式(2)所示：

對(duì)于擁有最大密度的點(diǎn)其距離為所有點(diǎn)與點(diǎn)距離的最大值δj＝maxk(dkj)。

對(duì)于每個(gè)數(shù)據(jù)點(diǎn)pj，都有與其對(duì)應(yīng)的密度值ρj和距離值δj。距離閾值δ為選擇數(shù)據(jù)點(diǎn)為聚類結(jié)果的唯一標(biāo)準(zhǔn)。

numv＝f(δv)(3)

δv表示距離上有數(shù)據(jù)點(diǎn)的距離值，numv為δj≥δv的數(shù)據(jù)點(diǎn)pj的個(gè)數(shù)。對(duì)公式(3)求微分得：

conv＝[f(δv+1)-f(δv)]/(δv+1-δv)(4)

conv為數(shù)據(jù)點(diǎn)個(gè)數(shù)與距離值的微分。δv和δv+1表示擁有數(shù)據(jù)點(diǎn)的距離閾值的相鄰值δv+1>δv。對(duì)公式(4)中距離閾值相鄰值δv、δv+1上的conv與conv+1做商，再對(duì)結(jié)果求絕對(duì)值，如公式(5)所示：

quov＝|conv/conv+1|(5)

quov表示兩個(gè)相鄰距離閾值上微分的商的絕對(duì)值。

當(dāng)在某距離閾值區(qū)間δr(δv-1,δv,δv+1∈δr)上的數(shù)據(jù)點(diǎn)數(shù)numv趨近穩(wěn)定，即在此距離閾值區(qū)間上數(shù)據(jù)點(diǎn)個(gè)數(shù)擁有的數(shù)據(jù)點(diǎn)個(gè)數(shù)在相差不大。在這個(gè)區(qū)間的距離閾值δv上存在quov的局部極大值，此時(shí)這個(gè)距離值δv被確定為自適應(yīng)距離閾值δa。

當(dāng)數(shù)據(jù)點(diǎn)pj的距離δj>δa時(shí)，pj被選擇為類中心點(diǎn)。將選擇到的類中心點(diǎn)pj重新轉(zhuǎn)換為原有大小n×n的圖像塊，即為自適應(yīng)卷積核。這里把自適應(yīng)卷積核表示為w^k。

步驟三、基于自適應(yīng)卷積核的cnn訓(xùn)練。

基于自適應(yīng)卷積核的cnn網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、卷積層、池化層、兩個(gè)全連接層和一個(gè)softmax分類器。

圖像塊樣本表示為x，c表示遙感圖像中的波段數(shù)量。經(jīng)過(guò)第k個(gè)卷積核后的特征圖如公式(6)所示，此卷積核使用步驟二中預(yù)先學(xué)習(xí)到自適應(yīng)卷積核：

式中，σ表示限制線性單元函數(shù)(relu)。

降采樣后第k個(gè)特征圖如公式(7)所示：

這里降采樣采用非交疊降采樣方式。

使用訓(xùn)練樣本訓(xùn)練最后的softmax分類器，訓(xùn)練得到訓(xùn)練好的cnn網(wǎng)絡(luò)。

步驟四、遙感圖像像素級(jí)分類。

使用遙感圖像測(cè)試樣本進(jìn)入上一步訓(xùn)練好的cnn網(wǎng)絡(luò)，正向計(jì)算后得到遙感圖像像素級(jí)分類。