深度学习遥感图像分类代码 遥感图像分类新方法

一个很简单的练习，对一个80个波段的高光谱遥感图像进行监督分类。
总体思路是：①在图片中选出训练集与测试集，训练出ELM模型，通过精度评价不断调整参数；②把全部图像加载到模型中，得到分类输出Y；③把Y还原成图像，与原图进行对比。

一、 获得训练集与测试集

①在ENVI/ROI中选出一些样本并进行分类

②将其输出，得到TXT形式的数据。

一共分了多少类，就输出多少次TXT，每次只输出一类。

③将数据导入matlab

这里可以先将所有数据导入matlab，再给所有数据标记类标1234，也可以先将数据导入Excel，对所有数据标记完类标1234后再导入matlab。

用代码data1=importdata('XX.TXT');最后得到如图的数据。

81是因为80个波段+1个分类

④对数据进行预处理

对所有数据进行均值归一化处理：
for i=1:size(dataset,2)-1；%减1是因为最后一列是类标 dataset(:,i)=(dataset(:,i)-min(dataset(:,i)))/(max(dataset(:,i))-min(dataset(:,i)))*2-1; end 这个预处理在黄广斌老师的主页有开源代码，下面用到的ELM代码也是黄老师主页上下载的开源代码。

二、 训练ELM模型

这个没啥技术含量，化身调参侠，去网上下好代码，调调参数Number_of_HiddenNeurons就OK，

三、把全部图像放入模型中

①导入全部图像数据

把TIFF文件拖入matlab，注意，一定要是TIFF文件。拖入后会看到如下提示，点击完成即可

这时候要注意，导入后得到了一个17853180的矩阵，为了方便处理，需要把这个矩阵拉成一个（178*531）*80的矩阵，temps=reshape(area,size(area,1)*size(area,2),size(area,3));

注意，这里得到的（178*531）*80矩阵是unit16型，即属于0~2^16-1的整数，整数！整数！！整数！！！导致在对这组数据进行均值归一化处理时结果会自动取整，从而出现错误。因此，要使用dataset=double(temps);把它们变成double型（我在百度这个问题时，有大佬说double后可能会出现精度误差，我也没看太懂，好奇的宝宝们可以自己去查一下）。

②数据处理

直接上代码

temps=reshape(area,size(area,1)*size(area,2),size(area,3));
dataset=double(temps);
for i=1:size(dataset,2)
        dataset(:,i)=(dataset(:,i)-min(dataset(:,i)))/(max(dataset(:,i))-min(dataset(:,i)))*2-1;
    end   

P=dataset;

%InputWeight与OutputWeight由调试后的模型得到

NumberofTrainingData=size(P',2);   
ind=ones(1,NumberofTrainingData);     
BiasMatrix=BiasofHiddenNeurons(:,ind);% 扩展BiasMatrix矩阵大小与H匹配      
tempH=InputWeight*P';                
tempH=tempH+BiasMatrix;               
H = 1 ./ (1 + exp(-tempH));
Y=(H' * OutputWeight)';
predict=zeros(size(P,1),1);

 for i = 1 : size(P,1);
[x,pre]=max(Y(:,i));
predict(i,1)=pre;
   end

得到结果应该是一个（178*531）*1的矩阵。

如果把三维数据M✖N✖D挨个像素输入模型的话，得到的类标是M✖N的。为便于处理，实际输入的数据是（MN）✖D的，因此输出的类标是（MN）的，需要把这个（MN）的向量转换成M✖N的矩阵。把m✖n✖d变成mn✖d是为了方便处理，但它的意义没有变。最后的输出应该是M✖N✖1的形式，而不是MN✖1的形式。因此需要把上述矩阵转化成178✖531✖1的，具体代码为：Pre=reshape(predict,size(area,1),size(area,2));

四、还原图像

把Pre这个矩阵用matlab画出来即可