需求发布 成果发布 科创案例库 揭榜挂帅
技术路演 会议展览 科创联合体 项目申报
前沿动态 科技政策 院士开讲 青托工程
科技服务团 学术资源
试点城市(园区) 双创活动周
协作站点 学会服务
问题库 项目库 开源库
English
您所在的位置: 成果库 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

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

发布时间: 2022-01-11

来源: 试点城市（园区）

基本信息

合作方式： 技术转让
成果类型： 发明专利,新技术
行业领域：
电子商务
成果介绍

一、项目意义



近年来，随着遥感技术的快速发展，获取高精度、高分辨率的遥感影像已经变得非常容易，高光谱影像传感器收集到的高光谱图像能够提供丰富的波段信息和空间信息，具有较强的地物判别能力，因此被广泛应用于环境监测、植被分类、农作物长势监测等领域。对高光谱遥感影像中的每个像素点进行分类是这些应用中常见的方法之一。近年来，机器学习领域中一些基于判别的方法由于其具有较强的处理高维、小样本数据的能力，而被成功应用到高光谱图像分类中，如多项式逻辑回归、支持向量机(Support Vector Machines，SVM)等。然而，丰富的波段信息存在大量的冗余，有研究表明，直接使用原始高维数据，不仅计算量极大，而且会降低分类精度。因此，如何有效降低高光谱图像的维数成为分类工作中的一个重要问题。常见的高光谱降维算法包括波段提取和波段选择。

直接由传感器获取的原始高光谱图像是以三维形式存储，包括两维的空间信息(宽度和高度)和一维的波段信息，在对这些原始高光谱图像进行降维和分类之前，一般先将其转化为向量型数据和张量型数据两种形式。早期的降维算法主要使用的是向量型数据，以高光谱图像为例，需要首先把三维的高光谱图像转化为一维的向量形式，再进行降维、分类，这种思路仅使用了高光谱图像的波段特征，而忽略了空间信息。典型的向量型降维算法包括主成分分析(PCA)、线性判别分析、局部保持投影等，尽管高光谱图像具有丰富的波段信息，能够在一定程度上对高光谱图像进行表示，但这种思路仍存在着固有的缺陷：1)这种思路是基于“相邻像素点相互独立”这一假设，而高光谱图像相邻像素点之间具有较强的相关性，故这一假设不成立；2)将三维的高光谱图像转化为一维的向量型数据会破坏图像内部的结构，从而导致信息的丢失；3)将高光谱图像向量化之后会导致“维数灾难”的问题等。针对这些问题，近年来，一些基于张量型数据的降维算法被相继提出，如多线性主成分分析，多线性判别分析等。

深度学习是目前机器学习领域最流行的研究方向之一，能够学习到数据的深层高级特征，具有比浅层算法更强大的非线性表示能力。如，栈式自动编码器凭借其多隐层的结构来挖掘数据的深层最优特征，深度卷积神经网络(DCNN)通过对局部区域进行多种滤波方式来学习强鲁棒性的特征等。使用深度学习方法提取到的特征，能够较大程度提高分类精度。近年来，已有一些学者将深度学习方法应用到高光谱图像分类中。如， Chen等分别使用深度信念网络和栈式自动编码器对高光谱图像进行特征提取并通过分类器进行分类，实验结果表明，相比浅层算法提取的特征，深度学习方法提取到的特征能够获得更高的分类精度。但这些思路使用的都是向量型数据。

DCNN作为深度学习方法中最典型的模型之一，具有：1)权值共享，所需训练的参数较少；2)相邻两层间的神经元局部连接，能够挖掘像素间的近邻关系；3)学习到的特征具有位移不变性等特点。被广泛应用于图像分类、行人检测、目标识别等领域。 LeNet5为历史上首个成功训练的DCNN，并被成功应用到手写体数字识别中，并取得了较高的识别精度。Krizhevsky等沿用LeNet5的结构模式，并在其基础上对模型的层数及参数进行大规模增加，并通过引入新的激活函数和Dropout等技巧，利用ImageNet LSVRC-2010数据集成功训练了首个大规模DCNN。如何合理利用DCNN来对高光谱图像进行复杂的非线性映射，从而提取到深度特征，成为高光谱降维研究领域的一个重要问题。Hu等首次将DCNN引入高光谱图像分类任务中，但其工作是在向量型数据的基础上，采用1D的卷积模式，这种思路不仅没有考虑高光谱图像的空间信息，而且不能充分发挥DCNN的特征提取能力。Yue等使用2D-DCNN，同时考虑高光谱图像的空间信息和波段信息，提出一种基于DCNN的高光谱降维思路：分别计算高光谱图像的空间特征图和波段特征图，然后将两种特征图同时作为DCNN的输入数据，进行特征提取和分类，但是这种思路是将空间特征和波段特征分开处理。

二、项目优势

本项目属于高光谱遥感图像处理技术领域，具体涉及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。

三、转化需求

（1）本成果技术成熟，市场需求大，但项目大面积推广资金投入较大，需要政府给予一定的政策和资金扶持。

成果亮点
团队介绍
成果资料