基于残差连接的深度可分离卷积高光谱图像分类方法技术

本发明专利技术属于高光谱图像分类技术领域，公开一种基于残差连接的深度可分离卷积高光谱图像分类方法，包括：构建分类模型；所述分类模型的首层采用1×1卷积后接ReLU激活函数用于提取光谱信息的非线性特征；采用三个金字塔结构的残差单元，并在每个残差单元中采用两个深度可分离的3×3卷积用于提取图像中光谱‑空间信息；分类模型末端，采用1×1卷积和全局平均池化层相结合用于融合空‑谱特征，完成分类；通过构建的分类模型完成高光谱图像分类。本发明专利技术充分提取了高光谱图像的光谱图像的空‑谱特征，通过堆叠残差单元从而构建了一个轻量级的分类模型，该模型在保证更高精度的同时拥有更快的分类速度。

【技术实现步骤摘要】
基于残差连接的深度可分离卷积高光谱图像分类方法
本专利技术属于高光谱图像分类
，尤其涉及一种基于残差连接的深度可分离卷积高光谱图像分类方法。
技术介绍
高光谱成像技术可同时探测到目标物体的二维几何空间信息和一维连续的光谱信息，使得高光谱图像具有“图谱合一”的特点。几何空间信息可以反映出目标物体的大小，形状等外部特征，而光谱信息能够反映目标物体内部的物理结构和化学成分。因此，高光谱遥感被广泛应用于岩矿物质检测、海洋植物检测、水资源应用与土地资源利用等领域。如何构建一种更准确有效的分类方法是高光谱遥感技术应用中的一个关键的问题。传统的分类算法，如支持向量机(SVM)、三维小波变换、高斯混合等通常采用波段选择和特征提取的方式来降低原始图像的维数，将图像投影到低层特征空间。这些方法往往改变了原始图像的波段相关性，丢失了部分光谱信息，无法充分提取到高光谱图像中抽象特征，从而影响了分类精度。近年来，随着深度学习技术应用与发展，基于卷积神经网络(CNN)构建的算法模型已经被广泛应用到图像分类(LecunY,BottouL.Gradien本文档来自技高网...

【技术保护点】
1.一种基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，包括：/n步骤1：构建分类模型；所述分类模型的首层采用1×1卷积后接ReLU激活函数用于提取光谱信息的非线性特征；采用三个金字塔结构的残差单元，并在每个残差单元中采用两个深度可分离的3×3卷积用于提取图像中光谱-空间信息；分类模型末端，采用1×1卷积和全局平均池化层相结合用于融合空-谱特征，完成分类；/n步骤2：通过构建的分类模型完成高光谱图像分类。/n

【技术特征摘要】
1.一种基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，包括：
步骤1：构建分类模型；所述分类模型的首层采用1×1卷积后接ReLU激活函数用于提取光谱信息的非线性特征；采用三个金字塔结构的残差单元，并在每个残差单元中采用两个深度可分离的3×3卷积用于提取图像中光谱-空间信息；分类模型末端，采用1×1卷积和全局平均池化层相结合用于融合空-谱特征，完成分类；
步骤2：通过构建的分类模型完成高光谱图像分类。


2.根据权利要求1所述的基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，每个所述残差单元的具体执行顺序为BN→Conv→BN→ReLU→Conv→BN，并采用Zero-padded跳跃连接方式。


3.根据权利要求1所述的基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，所述残差单元采用小幅度线性增加特征图通道数的方式，每个残差单元的输入通道数计算方式如公式(1)：



其中Di为第i个残差单元的输出通道数，C表示模型首层的1×1卷积核的数量，R表示所有残差单元的总数，α为大于0的整数。


4.根据权利要求1所述的基于残差连接的深度可分离卷积高光谱图像分类方法，其特征在于，在所述步骤1之前还包括：
输入高光谱图像的标记样本进行零-均值...

【专利技术属性】
技术研发人员：党兰学，庞沛东，林英豪，刘扬，左宪禹，周黎鸣，贾培艳，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41