基于SSAE深度学习特征表示的高光谱遥感图像分类方法

计算机测量与控制.2018.26(10)

Com p uter Measurement &Control

?????????????????????????????????????????????????????

四291 四

收稿日期:201808

02; 修回日期:2018

0826三

作者简介:商宏涛(1992)

,男,河南商丘人,硕士,主要从事数据挖掘与数据分析方向的研究三

施国良(1966)

,男,安微池州人,博士,副教授,硕士生导师,主要从事数据挖掘与数据分析方向的研究三文章编号:1671

4598(2018)10

0291

04 DOI :10.16526/j .

cnki.11-4762/t p .2018.10.062 中图分类号:TP751文献标识码:A

基于SSAE 深度学习特征表示的高光谱

遥感图像分类方法

商宏涛,施国良

(河海大学商学院,南京 211100)

摘要:针对遥感图像中高光谱数据的分类问题,提出一种基于堆叠稀疏自动编码器(SSAE )深度学习特征表示的高光谱遥

感图像分类方法;首先,将光谱数据样本进行预处理和归一化;然后,将其输入到SSAE 中进行特征表示学习,并通过网格搜索来获得最优网络参数,以此获得有效的特征表示;最后通过支持向量机(SVM )分类器对输入图像特征进行分类,最终实现遥感图像中像素的分类;在两个标准数据集上的实验结果表明,该方法能够实现准确的高光谱地物分类三

关键词:高光谱遥感图像分类;堆叠稀疏自动编码器;深度学习;特征表示;支持向量机

H yp ers p ectral Remote Sensin g Ima g e Classification Method Based on SSAE

Dee p Learnin g Feature Re p resentation

Shan g Hon g tao ,Shi Guolian g

(Bussiness School ,Hohai universit y ,Nan j in g 211100,China )

Abstract :Aimin g at the classification p roblem of h yp ers p ectral data in remote sensin g ima g es ,a h yp ers p ectral remote sensin g im -a g e classification method based on the dee p learnin g feature re p resentation b y stacked s p arse auto -encoder (SSAE )is p ro p osed.First ,the s p ectral data sam p les are p re-p rocessed and normalized.Then ,it is in p ut into the SSAE for feature re p resentation learn -in g ,and the g rid search is used to obtain the o p timal network p arameters ,thereb y obtainin g a valid feature re p resentation.Finall y ,the in p ut ima g e features are classified b y the su pp ort vector machine (SVM )classifier ,and finall y the p ixels in the remote sensin g im -a g e are classified.Ex p erimental results on two standard datasets show that this method can achieve accurate h yp ers p ectral landmark classification.

Ke y words :h yp ers p ectral remote sensin g ima g e classification ;stacked s p arse autoencoder ;dee p learnin g ;feature re p resentation ;

Su pp ort vector machine

0 引言

高光谱遥感图像不仅包含地物的连续二紧密的光谱信息,且包含地物的空间分布信息,为此在如农业二矿物学二监测和

环境科学中有重要应用[

三对高光谱影像中每个像素进行分类是关键问题,目前学者引入了大量的机器学习方法来解决分类

问题[

三机器学习算法的性能在很大程度上取决于它们的数据表示

(特征)的选择,这在计算机视觉任务中尤为明显三其中精心设计的手工特征,如尺度不变特征变换(SIFT )或梯度直方

图(HOG )在各种任务中表现出很高的有效性[34]

三但是,这些特征描述符的主要缺点是在设计过程中需要进行人为干预三

此外,这些特征具有高维度特性并且具有有限的泛化能力三这就促使需要通过特征表示学习从数据中自动提取的有效特征,旨在学习原始数据的有用表示以用于更高级别的任务,并最小

化学习算法对特征工程的依赖性[

三从基础数据中学习这些特征会受许多变异因素的影响三例如,在遥感图像方面,包括地面环境条件以及云污染会给特征学习带来挑战三一些学者采用各种经典神经网络来提取特征,例如文献[6]采用了卷积神经网络进行特征学习来提取特征三

但是这些神经网络的计算复杂度都很高三

在这项工作中,我们的目标是在现实世界的情景下找到卫星数据的优良特征表示

三本文通过考虑稀疏自动编码器(S p arse Auto-encoder ,SAE )的框架,构建一种无监督特征表示学习方法三SAE 是一种采用非线性编码并施加稀疏性约束来表示原始数据的人工神经网络三为了在复杂背景下训练深度模型,本文利用一系列堆叠的稀疏自动编码器,构建堆叠稀疏自动编码器(Stacked Auto -encoder ,SSAE )进行特征映射,获得图像的特征表示三最后通过传统的支持向量机(Su p -p ort Vector Machine ,SVM )分类器对输入图像特征进行分

类,最终实现遥感图像中像素的分类三

1 基于SSAE 深度学习的特征表示

1.1 稀疏自动编码器(SAE )

SAE 是一种确定性的前馈人工神经网络[7]

,由相同大小的输入和输出层组成,中间有隐藏层,如图1所示三编码器获

取输入x 并计算潜在编码h 的最佳值的预测三解码器与编码器

对称,并从h 计算重建^x 三通常,模型以完全无监督的方式用

万方数据