轻量化深度可分离卷积特征融合网的高光谱图像分类方法技术

本发明专利技术公开了一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；使用构建的训练模型对预处理的卷积神经网络进行训练，得到最终训练结果；将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；根据高光谱图像分类结果输出分类图像。本发明专利技术采用光谱信息与空间信息相融合的方法，降低参数数量，增加网络深度，提升网络运行效率，改善了分类准确度。

【技术实现步骤摘要】
轻量化深度可分离卷积特征融合网的高光谱图像分类方法
本专利技术属于图像处理
，具体涉及一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法。
技术介绍
近年来随着高光谱遥感技术的逐渐强大，遥感数据维度不断增加，对高光谱数据分类问题带来了极大挑战。高光谱数据具有数据量大、相关性、多维度、非线性等特点，选择有效的算法用到高光谱数据的分类中，成为了高光谱遥感图像数据分析的重要问题。根据深度学习的特点，在高光谱图像分类任务中引入深度神经网络的理论和模型，使得通过高光谱遥感获取的丰富信息被充分利用，对现实应用有着重要的意义。而在高光谱遥感图像处理的过程中，处理数据量与计算量过大仍是现实存在的一个问题。因此，轻量化图像处理技术进入我们的视野。在轻量化图像处理中，如何在模型轻量化和计算量降低的情况下保证一个较好的精确度结果是我们目前所需实现的目标。在HSI分类的早期，特征提取仅关注光谱信息。仅利用光谱信息的方法未能捕获重要的空间变化，通常导致(分类器)性能差。事实上，在HSI中，不同的物体可能表现出相似的光谱特征，而不同位置的相同物体可能会出现不同的光谱特征。对于这样的物体，仅使用光谱特征进行分类是非常困难的。近年来，通过使用卷积神经网络对高光谱图像进行分类的方法显示了优良的性能。通常，网络深度对于许多视觉识别任务至关重要，尤其是对于处理具有非常复杂的空谱特征的HSI而言。但是，过度增加深度会给常规的CNN带来一些负面影响(例如，过度拟合，梯度消失和精度下降)。由于这个原因，以前在HSI分类中使用的网络仅采用几个卷积层，更深层次的区分特征无法充分提取，对卷积神经网络的性能造成了影响。在最近的研究工作中，如何使用光谱空间联合信息对高光谱图像进行分类以及对网络进行轻量化处理成为解决上述问题的重要研究方向。通过提取光谱特征与空间特征进行综合使用，克服传统方法只利用高光谱图像光谱信息的缺点，提高了网络的特征信息提取能力，改善了网络分类效果。轻量化卷积神经网络模型设计，是指在借鉴现有卷积神经网络结构基础上，重新设计网络结构，以达到减少参数量，降低计算复杂度的目标。通过对网络进行轻量化处理，可将HSI分类中使用的网络由几个卷积层增加至数十个卷积层，极大地提高了网络的特征提取能力。尽管上述方法均从不同方面试图解决高光谱图像分类任务中存在的问题，但仍不全面。如何更充分利用高光谱图像空谱信息和降低高光谱图像分类网络参数量增加网络深度仍面临巨大挑战。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，充分利用轻量化结构分别提取空间信息与光谱信息通过多层特征融合进行样本预测，再经过投票表决预测最终分类结果。本专利技术采用以下技术方案：轻量化深度可分离卷积特征融合网的高光谱图像分类方法，包括以下步骤：S1、处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；S2、设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；S3、使用步骤S2构建的训练模型对步骤S1预处理的卷积神经网络进行训练，得到最终训练结果；S4、步骤S3完成后，将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；S5、根据高光谱图像分类结果输出分类图像。具体的，步骤S1具体为：S101、通过PCA降维提取光谱维主要特征信息，对高光谱图像进行处理；S102、高光谱图像经过PCA降维后，对样本数据进行归一化操作；使用min-max归一化，即对样本数据进行线性变换，使结果映射到[0-1]之间；S103、设定一个25X25的高光谱图像样本窗口，实现特征抓取得到样本集,并且训练样本是在一个样本集中，获得高光谱图像样本集之后，划分训练集与测试集；S104、以抓取样本中心点标签作为该抓取样本标签，根据标签进行抓取样本的分类。具体的，步骤S2中，将训练样本输入光谱信息提取模块，包括点卷积层，批量归一化层BN，非线性激活层，残差连接；将光谱信息提取模块输出的stage_0输入空间信息提取模块，空间信息提取模块中每三层Ir层输出的stage_1，stage_2，stage_3作为多层特征融合模块的第二、三、四个输入，将光谱提取特征Rspe，空间谱提取特征Rspa1，Rspa2，Rspa3通过点卷积卷积进行通道数调整，输出Zspe，Zspa1，Zspa2，Zspa3；将Zspa1，Zspa2，Zspa2，进行特征融合输出Zspa，再与Zspe进行concat操作输出Z，然后通过全局池化输出特征向量Z′，最后通过全连接层输出分类预测值pred。进一步的，批量归一化层BN将每批次的前一层的激活标准化；假设批次的大小为m，并且是基于整批样本得出的；批次中存在m个这种激活的值，即计算如下：其中，为批量归一化后批次中样本的输出；和为的期望和方差；γ和β为学习的超参数，ξ为防止分母为0。具体的，步骤S3中，首先将训练样本输入光谱信息提取模块进行网络的训练，光谱信息提取模块的输出stage_0输入空间信息提取模块进行训练；然后将光谱信息提取模块的输出与空间信息提取模块低、中、高三层输出特征stage_1，stage_2，stage_3输入多层特征融合模块进行特征融合，将融合特征经全局池化后输入全连接层进行训练，得到最终训练结果。进一步的，设置训练次数为8000，单次样本输入量为128，损失函数为交叉熵损失函数，学习率初始为0.001，随机失活节点保留率为0.5，使用生成的训练集对构建好的卷积神经网络进行训练，每训练100次后，输出训练集分类准确度；每训练500次后，将全部训练集输入网络进行训练，输出训练集分类准确度。具体的，步骤S4中，将多次多层特征融合模块的分类结果保存到投票表决模块，具体为：将L类的分数初始化为p1＝p2＝...＝pL＝0；根据每个分类器的预测结果更新分数；根据获得的分数预测测试样本xi的标签，输出最终分类结果。进一步的，分数预测测试样本xi的标签为：xi＝argmaxpc其中，pc表示第c类的分数。具体的，步骤S5中，使用轻量化结构提取光谱信息与空间信息，具体为：使用九层点卷积提取光谱信息，均为128通道点卷积层，点卷积可降低网络参数量，每一层点卷积均使用残差连接保存特征信息；使用九层Ir层提取空间信息提取空间信息。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，能够通过轻量化结构点卷积与深度可分离卷积进行光谱信息与空间信息提取，然后用多层特征融合模块融合不同层特征进行分类，最后将多次分类结果用投票表决机制提升网络鲁棒性。进一步的，对高光谱图像数据进行预处理，提取训练标签和测试标签，由于高光谱图像波段众多，光谱维特征信息较为冗余，通本文档来自技高网...

【技术保护点】
1.轻量化深度可分离卷积特征融合网的高光谱图像分类方法，其特征在于，包括以下步骤：/nS1、处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；/nS2、设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；/nS3、使用步骤S2构建的训练模型对步骤S1预处理的卷积神经网络进行训练，得到最终训练结果；/nS4、步骤S3完成后，将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；/nS5、根据高光谱图像分类结果输出分类图像。/n

【技术特征摘要】
1.轻量化深度可分离卷积特征融合网的高光谱图像分类方法，其特征在于，包括以下步骤：
S1、处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；
S2、设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；
S3、使用步骤S2构建的训练模型对步骤S1预处理的卷积神经网络进行训练，得到最终训练结果；
S4、步骤S3完成后，将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；
S5、根据高光谱图像分类结果输出分类图像。


2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
S101、通过PCA降维提取光谱维主要特征信息，对高光谱图像进行处理；
S102、高光谱图像经过PCA降维后，对样本数据进行归一化操作；使用min-max归一化，即对样本数据进行线性变换，使结果映射到[0-1]之间；
S103、设定一个25X25的高光谱图像样本窗口，实现特征抓取得到样本集,并且训练样本是在一个样本集中，获得高光谱图像样本集之后，划分训练集与测试集；
S104、以抓取样本中心点标签作为该抓取样本标签，根据标签进行抓取样本的分类。


3.根据权利要求1所述的方法，其特征在于，步骤S2中，将训练样本输入光谱信息提取模块，包括点卷积层，批量归一化层BN，非线性激活层，残差连接；将光谱信息提取模块输出的stage_0输入空间信息提取模块，空间信息提取模块中每三层Ir层输出的stage_1，stage_2，stage_3作为多层特征融合模块的第二、三、四个输入，将光谱提取特征Rspe，空间谱提取特征Rspa1，Rspa2，Rspa3通过点卷积卷积进行通道数调整，输出Zspe，Zspa1，Zspa2，Zspa3；将Zspa1，Zspa2，Zspa2，进行特征融合输出Zspa，再与Zspe进行concat操作输出Z，然后通过全局池化输出特征向量Z′，最后通过全连接层输出分类预测值pred。


...

【专利技术属性】
技术研发人员：王佳宁，黄润虎，郭思颖，李林昊，杨攀泉，焦李成，杨淑媛，刘芳，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61