【技术实现步骤摘要】
基于交叉分组空谱特征增强网络的高光谱图像分类方法
本专利技术涉及智能图像处理
，具体是一种基于交叉分组光谱-空间特征增强与融合网络的高光谱图像分类方法。
技术介绍
高光谱遥感图像(Hyperspectralimage,简称HSI)同时具有空间信息与光谱信息的特点，使得其在地物分类、目标分割与识别、动态目标追踪等研究领域具有非常大的应用价值。目前已经广泛应用于农业检测、矿物勘探、安全监测和环境科学等领域。高光谱遥感图像的分类研究是高光谱图像信息提取的重要手段之一，是高光谱研究技术的基础，通过划分不同地物各个光谱波段的差异来对每个像素点进行类别的区分。在传统的机器学习高光谱图像分类方法，如线性支持向量机Line-SVM，贝叶斯模型(BayesModel)，随机森林(Randomforest)等在高光谱遥感图像分类中的缺陷是无法使用高光谱遥感图像的空间特征，所提取的高光谱图像特征的不变性及判别性较差。近年来，随着深度学习方法在高光谱图像分类中广泛应用，大大提升了高光谱图像的分类性能。Zhong等人利用3D-CNN构建...
【技术保护点】
1.基于交叉分组空谱特征增强网络的高光谱图像分类方法，其特征在于，包括如下步骤：/n1)光谱特征交叉分组：对高光谱图像中每个像素点的光谱维进行归一化处理，对第n个像素的光谱带
【技术特征摘要】
1.基于交叉分组空谱特征增强网络的高光谱图像分类方法，其特征在于，包括如下步骤：
1)光谱特征交叉分组：对高光谱图像中每个像素点的光谱维进行归一化处理，对第n个像素的光谱带进行交叉分组整形操作Fsg，得到的分组光谱特征为
2)多通道分组光谱特征提取：将分组光谱特征输入第一多通道分组光谱通道模型进行分组卷积、卷积和批量归一化光谱特征操作Fspe，得到光谱特征并采用通道自注意力模块对sn′进行增强操作Fca，得到增强后的光谱特征Sn＝Fca(sn′)，最后将Sn输入全连接层获得光谱通道的输出特征其中，K为全连接层的神经元个数；
3)空间特征交叉分组：对高光谱图像每个波段在空间维上进行归一化处理，并进行交叉分组降维操作Fpg，得到分组降维空间特征其中，h和w为高光谱图像空间维的长宽尺寸，压缩后的光谱维数为k′＝g×kg，k′＜＜B，kg为每组降维后的光谱维，g为分组组数；
4)分组空间特征提取：选取分组降维空间特征PGPCA中与第二多通道分组光谱通道模型输入相对应的第n个像素邻域块作为空间通道的输入，进行卷积和批量归一化操作Fspa，得到空间特征并采用像素位置自注意力模块对进行增强操作Fpa，得到增强后的空间特征最后将Pn输入全连接层获得空间通道的输出特征空间通道特征维数与光谱通道特征维数相同，其中W为空间邻域块的长宽尺寸；
5)光谱-空间通道信息交互：将步骤3)和步骤4)所提取的增强光谱特征Sn与增强空间特征Pn进行全局平均池化信息交互操作：Sn与Pn进行点乘得到M(x)，M(x)再与Sn和Pn相加后进行全局平均池化操作，得到交互特征
6)高光谱图像像元分类：将步骤3)、步骤4)和步骤5)所提取的特征F1(Sn)、F2(Pn)和J(x)进行特征融合并传入顶端softmax线性分类器对每个像元进行分类。
2.根据权利要求1所述的基于交叉分组空谱特征增强网络的高光谱图像分类方法，其特征在于，步骤1)中所述的交叉分组整形操作Fsg过程为：
2-1)对在光谱维归一化后的高光谱图像的第n个像素的光谱带进行交叉分组得到分组光谱：其中B为光谱带长度，bi表示第i个光谱，x(i)表示第i组的光谱矢量，g表示分组组数，表示向下取整，即m表示每一组光谱带数量，则光谱被划分为sn＝[x(1),x(2),...,x(i),...,x(g)]；
2-2)对sn进行重新整形操作，构成大小形为的张量。
3.根据权利要求1所述的基于交叉分组空谱特征增强网络的高光谱图像分类方法，其特征在于，步骤2)中所述的第一多通道分组光谱通道模型为：设定分组光谱特征的分组数为分组卷积模块通道数，完成分组光谱多通道卷积操作，其中一个支路设有卷积核大小为n1×1分组卷积模块和两个卷积层、每个卷积层后紧接着批量标准化层，另一支路分组卷积模块和两个卷积层的卷积核大小为n2×1、每个卷积层后紧接着批量标准化层。
4.根据权利要求1所述的基于交叉分组空谱特征增强网络的高光谱图像分类方法，其特征在于，步骤2)中所述的通道自注意力模块针对光谱特征增强过程为：
通道自注意...
【专利技术属性】
技术研发人员：林乐平，李祖锋，欧阳宁，莫建文，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。