改进的基于CNN的高光谱遥感图像分类办法

王莹

摘 要：由于高光谱遥感图像光谱维度大，标注样本相对较少，提出了一种结合主成分分析和改进的二维卷积神经网络的高光谱遥感图像的分类方法。首先，通过主成分分析，降低光谱维度，消除光谱亢余信息。然后，将数据进行分块处理，获得分块数据的样本标签，并将数据分为训练集和验证集，用训练集和验证集训练改进的针对高光谱遥感图像分类的卷积神经网络的参数。最后，将测试集投入训练好的2D-CNN上进行分类，得到分类结果。实验结果表明，提出的模型的分类精度明显提高，从而验证了该方法的有效性和实用性。

关键词：高光谱遥感图像分类;深度学习;卷积神经网络;主成分分析

中图分类号：TB 文献标识码：A doi：10.19311/j.cnki.1672-3198.2019.35.110

高光谱遥感是20世纪60年代发展起来的将成像技术和光谱技术相结合的多维信息获取技术，同时能探测目标的二维集合空间与一维光谱信息，获取高光谱分辨率的连续、窄波段图像数据，已经成为具有特色的遥感前沿综合技术，定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件，如今高光谱遥感技术已经应用于海洋检测、军事、土地资源、城市监测、气象、地质、水利水电设施、探矿等方面。

为了解决高光谱图像分类，很多种的分类方法被提出。传统的分类方法主要涉及光谱信息，典型的分类算法包括平行六面体分类，K-近邻，最大似然法，最小距离和逻辑回归。上述算法的大部分都会受到维度灾难的影响。为了解决高维度和有限的标记样本问题，一些基于维度减少的分类方法被提出。特征变换和波段选择是常用的有效解决问题的方法。

近年来，对于高光谱数据分类来说，空间信息变得越来越重要。空间信息在分类表现力方面提供很大的优势。文献[1]提出了一种基于空间上下文的一类分类技术。

深度学习作为机器学习的一种，逐渐被引入图像分类里。常用的深度学习分类模型主要有卷积神经网络，深度置信网络和自动编码器。文献[2]针对高光谱图像分类，提出了带有数据编码和自训练的自动编码器分类框架。文献[3]提出了基于快速去噪和深度信念网络的高光谱图像的分类方法。文献[4]针对高光谱图像分类提出了基于多尺度协方差的特征提取，文中是以卷积神经网络为框架。

基于卷积神经网络的图像分类的研究路线表明，采用深度卷积神经网络能够提取更加鲁棒的特征。但是随着网络层数的增加，容易出现过拟合和局部最优，如何搭建卷积神经网络模型，仍是值得研究的问题。

为了进一步提升高光谱遥感图像的分类精度，本文提出了结合主成分分析和卷积神经网络的高光谱图像分类方法。

我们首次将基于深度学习的特征提取引进高光谱数据分类中。我们的工作集中用基于深度框架模型的自动编码器，以无监督的方式学习高光谱数据深度特征。我们的方法是利用单层自动编码器和多层堆积自动编码器分别学习高光谱数据浅层和深层的特征。此外，关于分类我们提出了一种提取主要空间信息的新的方法。最后，我们提出一个新颖的分类框架处理空谱特征，空谱特征是利用前面两节提取的所有特征。首先，通过主成分分析，降低光谱维度，消除光谱亢余信息。然后，将数据进行分块处理，获得分块数据的样本标签，并将数据分为训练集和验证集，用训练集和验证集训练改进的针对高光谱遥感图像分类的卷积神经网络的参数。最后，将测试集投入训练好的2D-CNN上进行分类，得到分类结果。实验在常用的高光谱数据集Indian和paviaU进行，实验结果表明，本文提出的模型的分类精度明显提高，从而验证了本文方法的有效性和实用性。

1 高光譜数据处理

1.1 主成分分析

在高光谱数据分类中存在一些关键的问题：（1）大量的光谱通道导致的维度的增加，从而导致光谱信息亢余;（2）有限的标记样本，使得可训练样本少;（3）光谱特征的空间变化性大，增加了训练难度。

为了解决光谱信息亢余的问题，采用PCA的方法将原始光谱信息转为为一组各维度线性无关的表示。

1.1.1 主成分分析步骤

（1）对光谱数据进行标准化处理。

1.1.2 数据patch处理

为了与2D-CNN的输入保持一致，首先扩充相应的宽度和长度，然后将高光谱图像分解成patches，其中每个patch包含特定像素的光谱和空间信息，将所获得的包含特定像素的光谱和空间信息patches作为2D-CNN的输入，然后利用2D-CNN分层进行训练，如图1。

1.2 卷积神经网络

卷积神经网络是指一类具有深层结构的神经网络。神经网络最基本的组成部分是神经元，由许多神经元组成非线性分层系统，图2是单个神经元的数学模型。

变换，通常称为激活函数

卷积神经网络中的激活函数必须是非线性的，它的作用为模型添加非线性因素，提高了卷积网络对真实的模型的表达能力，从而解决线性模型解决不了的问题。常见的激活函数有 Sigmod 函数、Tanh 函数和 ReLU 函数，如图3所示。

卷积神经网络是一种特殊的多层感知器或前馈神经网络。标准的卷积神经网络一般由输入层、交替的卷积层和池化层、全连接层和输出层构成，如图4所示。

3 高光谱分类实验

3.1 实验数据

本文采用Indian pines 数据，它是AVIRIS 成像光谱仪1992 年对美国印第安纳一块印度松树进行成像得到的数据。该数据形状为三维数据，数据大小为 145×145 ，波长范围为 0.4-2.5μm，具有连续的 220 个波段，本文剔除含噪声的20个波段，采用剩下的200个波段进行实验，总共有 21025个像素，但是其中只有 10249 个像素是地物像素，其余 10776 个像素均为背景像素，总共有 16类。

3.2 改进的高光图像分类模型

高光谱遥感图像光谱维度大，标注样本相对较少，本文通过对经典的卷积神经网络进行改进，得到一个高光谱图像的分类模型，表1展示了本文模型网络结构。

如表1所示，前面通过分块处理得到四维数据，因为该数据尺寸小，但波段多，直接采用经典模型，导致网络深度不够，提取不到深层特征，造成欠拟合，所以第一层对样本进行扩充训练，第二，三，五和六层采用卷积层，步长均为1，第四和七层采用最大池化层。为了防止过拟合，第八层采用可dropout层，进行正则化训练。然后投入全连接层，最后采用激活函数softmax进行分类训练。梯度优化采用的rmsprop，初始化学习率为0.004。

3.3 实验结果和分析

本次实验采用15%作为训练数据，5%作为验证数据，余下的80%作为测试数据。图5（a）和（b）分别给出了精度图和损失图。

训练精度和验证精度达到99.97%。

训练损失和验证损失达到0.03。

基金项目：河南省民办高校品牌专业“机械设计制造及其自动化”;河南省重点学科 “机械设计制造及其自动化”（教高〔2018〕119号）;河南省优秀基层教学组织“黄河科技学院机械工程教研室（教高[2017]201号）”;河南省高等教育教学改革研究与实践项目“应用型高校机械类专业创新创业教育改革研究与实践” （2017SJGLX126）。

作者简介：王增胜（1980-），男，山西介休人，硕士，黄河科技学院，副教授，研究方向：机械系统仿真。

把测试集投入训练好的模型里，得到分类结果，并计算模型的总体分类准确性OA，每类平均准确率AA和Kappa 系数，下面是分类图与元素图的对比。

最后与前面提到的方法进行对比，如表2所示。

4 结论

本文提出了一种改进的基于深度卷积神经网络的高光谱遥感图像分类模型，得到理想的分类效果，从而有效解决了高光谱图像分类参数选择困难和过拟合的难题。

参考文献

[1]C.Sanchez-Hernandez，D.S.Boyd，G.M.Foody.One-Class Classification for Mapping a Specific Land-Cover Class SVDD Classification of Fenland[J].IEEE Transactions on Geoscience and Remote Sensing，2007，45（4）：1061-1073.

[2]Junshu Wang，Nan Jiang.Automatic framework for semi-supervised hyperspectral image classification using self-training with data editing[J].IEEE Transactions on Geoscience and Remote Sensing，2017，45（3）：1061-1073.

[3]高鑫，歐阳宁，袁华.基于快速去噪和深度信念网络的高光谱图像分类方法[J].桂林电子科技大学学报，2016，（10）.

[4]Nanjun He，Juan Mario Haut ，Shutao Li.Feature Extraction With Multiscale Covariance Maps for Hyperspectral Image Classification[J].IEEE J，2018：0196-2892.

[5]Y.Chen，Z.Lin，X.Zhao，G.Wang，and Y.Gu.Deep learning-based classification of hyperspectral data[J].IEEE J.Sel.Topics Appl.Earth Observ，2014，7（6）：2094-2107.

[6]Y.Chen，X.Zhao，X.Jia.Spectral-spatialclassificationofhyperspectral data based on deep belief network[J].IEEE J.Sel.Topics Appl.Earth Observ.Remote Sens，2015，8（6）：2381-2392，Jun.

[7]L.Zhang et al.Active learning based on locally linear reconstruction[J].IEEE Trans Pattern Anal.Mach Intell.Oct.2011，33（10）：2026-2038.

[8]X.Zhu，Semi-supervised learning with graphs[D].Ph D thesis，Carnegie Mellon University，Pittsburgh，2005，PA，USA.