欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021101509108
申请人: 河南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于新型激活函数的高光谱图像分类方法,其特征在于,包括以下步骤:步骤1:设置随机块网络参数;

具体的,设置随机块的数量k、大小w、主成分的数量P和网络层数L;

步骤2:加载高光谱图像数据集;

具体的,使用matlab软件中自带函数load加载用于分类的高光谱图像数据集;

步骤3:对高光谱图像数据集进行PCA降维和白化操作,并将进行PCA降维和白化操作后的高光谱图像数据集输入随机块网络的第一层;

具体的,高光谱图像数据集为矩阵形式,对高光谱图像数据集进行PCA降维,只保留前P个主成分;然后对于降维后的高光谱图像数据集进行白化操作,得到白化后的高光谱图像数据集,然后将白化后的高光谱图像数据集输入随机块网络的第一层;

步骤4:在随机块网络的第一层对白化后的高光谱图像数据集进行随机投影,选取随机块;并提取图像特征;

具体的,随机选择k个像素,在每个像素周围,取一个随机块,得到k个随机块;利用k个随机块作为卷积核,对步骤3中白化后的高光谱图像数据集进行卷积,提取图像特征,并将提取后的图像特征存入特征矩阵Z(1);

步骤5:对Z(1)进行PCA降维和白化操作,依次输入随机块网络的第二层至第i层,并在随机块网络的每一层提取图像特征,将上一层输出的特征矩阵作为输入,输入下一层随机块网络,特征矩阵Z(i)输入下一层随机块网络前,均进行PCA降维和白化操作,i为随机块网络当前的层数值;

步骤6:判断当前层数i是否小于随机块网络的网络层数L,若小于网络层数L,循环执行步骤5,更新特征矩阵Z(i),若i不小于网络层数L,则停止更新;

步骤7:利用激活函数对随机块网络每一层输出的特征矩阵图像进行特征激活,得到激活后的特征图;

具体的,所述的激活函数为s‑ReLu修正线性单元激活函数,其定义为:F(x)=max(0,x‑softsign(x));

其中,x为特征矩阵中输入的激活值,softsign(x)为softsign激活函数,max(0,x)为ReLu激活函数;

步骤8:利用随机块网络对步骤7中的激活后的特征图进行特征融合,得到特征融合后的图像;

步骤9:对特征融合后的图像归一化处理,以使得随机块网络每层输出的特征矩阵处于同一数量级;

步骤10:利用SVM分类器对归一化后的特征融合图像进行地物分类;

步骤11:创建新的二维矩阵,用于记录归一化后的特征融合后的图像的像素点所属的地物类别,输出分类结果图。

2.根据权利要求1所述的基于新型激活函数的高光谱图像分类方法,其特征在于:采用如下方法得到步骤7中所述的s‑ReLu修正线性单元激活函数:步骤7.1:分别定义ReLu和softsign激活函数,其中ReLu激活函数为:ReLu(x)=max(0,x),其中x为特征矩阵中输入的激活值;

softsign激活函数为: 其中x为特征矩阵中输入的激活值;

步骤7.2:定义s‑ReLu修正线性单元激活函数:F(x)=max(0,x‑softsign(x)),其中x为特征矩阵中输入的激活值。

3.根据权利要求1所述的基于新型激活函数的高光谱图像分类方法,其特征在于:步骤

1中,所述的随机块的数量k为20、大小w为21、主成分的数量P为3,网络层数L为8。

4.根据权利要求1所述的基于新型激活函数的高光谱图像分类方法,其特征在于:步骤

4中,对于分布在高光谱图像数据集边缘的像素,通过镜像高光谱图像数据集来填充近邻的空白像素。