論文地址

高光譜遙感影象空譜聯合分類方法研究

遼寧工程技術大學

基於DBN的特徵提取方法和影象分類架構用於高光譜資料分析，將譜域-空域特徵提取和分類器相結合提高了分類精度。

1.引言

針對高光譜資料量大，特徵維數高的特點

降低維度的方法：

兩種方法：一種是特徵選擇，一種是特徵提取。

特徵選擇是找到原始波段的一個合適的子集，

特徵提取是在變換後的特徵空間中尋找一個真子集。

分類階段，分類器使用降維後的特徵代替原始資料來分類。

傳統的分類器像線性SVM和LR是單層分類器，而決策樹和核SVM有兩層。然而深度架構有多層，能提取抽象的和不變的特徵來改善影象和訊號分類。

本文提出一種基於DBN的新的特徵提取和影象分類架構用於高光譜資料分析，利用單層RBM和多層DBN模型分別學習淺層和深層特徵，使用LR分類器。

2.深度學習與RBM 和DBN

2.1 特徵學習和深度學習

RBM 單層神經網路

DBN 多個RBM堆疊

都是無監督學習

3.基於DBN的分類器架構

分別使用光譜特徵、空間特徵和譜域-空域特徵建立三個基於DBN的架構對高光譜資料進行分類

3.1光譜分類器架構

輸入空間X把原始光譜資料的畫素轉換為一個一維向量？如何轉化？

將所有的光譜波段的響應作為輸入資料（這個我試過，雖然資料上會有冗餘），必須調整模型使其稀疏化。

DBN + LR LR調整從DBN中學習到的特徵，對於整個結構而言，DBN是特徵學習模型，LR是分類模型。

使用所有的光譜波段的原始資料作為輸入，DBN從輸入資料中學習典型的和魯棒的特徵，通過幾個層的非線性特徵變換來描述輸入和特徵之間複雜的對映，最後，LR層用從DBN中學到的特徵來產生類別標籤。

3.2空間分類器架構

對高光譜資料進行壓縮，因為相鄰波段地物反射的幅度值相近，等間距提取l個波段，雖然會丟失部分光譜資訊，但是空間資訊基本不會受影響。這樣可以減少計算量，防止後面的DBN的特徵提取過程產生過高的維數，又不影響區分地物的效能。（常規處理，大部分處理空間畫素的特徵提取都要對光譜維度進行一定的冗餘壓縮）

但是使用DBN，輸入是一維向量，對於光譜維度資訊提取，掃描時，輸入是光譜維度轉化的一位向量，在空間維度上怎麼處理成一維向量？

在壓縮的高光譜影象中，選取壓縮資料中預分類畫素的一個鄰域，根據鄰域中的畫素距離中心畫素的位置分配不同的權重，用鄰域中所有畫素加權後的光譜之作為該畫素（預分類畫素）的光譜值。將鄰域中經鄰域畫素加權表示之後的預分類畫素的光譜值轉換為一個一維向量。

加權畫素最後分為預分類畫素包括光譜維度，在轉成一維向量。

3.3 譜域-空域分類器架構

利用向量疊加來處理多特徵的融合。

最後能對每個畫素分配一個類別標籤。

4.實驗與結果分析

4.1實驗資料Indian、Pavia 資料集  （高光譜影像最常用的兩個資料集）

標籤樣本被隨機的分為訓練集和測試集，比例為1:1。（比例分配很重要，通常1:1比較常見，但是在CNN模型中有的論文，比例在1:10，效果也不錯，我自己試驗，通常都是1:1，考慮資料擴充的話，可能也有4:6，然後對訓練集進行資料擴充，擴3-4倍，考慮到硬體裝置的能力）。

評價標準：OA、AA、kappa係數，做高光譜影象處理的三大系數，高分的話，多用OA、AA

4.2光譜分類器

影像因素：

DBN的深度：

Indian：200 – 100 - … - 100 –16  隱藏單元的數目，就是常見的通道數channel，這塊的設計還是有點東西的

Pavia：103 – 60 - … - 60 –9

對於兩個資料集最好的深度是2和3

隱藏單元數：

兩個資料集的隱藏單元數是120和60

4.3空間分類器

空間鄰域大小的影響：

視窗中的數字表示權重，該權重不是對應位置的畫素光譜值的倍數，而是在空間特徵向量中重複出現的次數。

等間隔取10個波段，對於（a）：9個1則輸入節點為90，第二駛入節點為50，第三個輸入節點為140

視窗大小是 7* 7

空間鄰域權重的影響：鄰域視窗的權重能夠決定空間特徵向量的維數，從而影響分類精度。

鄰域視窗大小相同且輸入節點基本一致時，採用不均勻分配權重的方法，即離處理畫素點越近權重越大，離處理畫素點的權重越小，則會獲得較高的分類精度，同時保證了執行速度。

4.4譜域-空域分類器

空間鄰域大小的影響： 5*5

空間鄰域權重的影響：因為譜域的特徵向量已經包含了處理畫素的所有波段值，鄰域權重把中心畫素（即預分類畫素）的權重改為0，減少輸入節點。

隱藏單元數的影響：

與其他分類器的比較：

訓練樣本大小的影響：

訓練與測試樣本比例之比，差別不是特別大，之前有用cnn做的時候，差別是比較明顯的。

4.5整體影象的視覺檢測

5.結論