基于注意力机制和权值共享的高光谱图像分类方法技术

本发明专利技术提出了一种基于注意力机制和权值共享的高光谱图像分类方法，其实现步骤为：(1)获取高光谱图像并对其进行预处理；(2)对归一化后的高光谱图像进行邻域取块；(3)生成训练样本集与测试样本集；(4)构建高光谱图像分类网络模型；(5)对高光谱图像分类网络模型进行迭代训练；(6)获取高光谱图像的分类结果，本发明专利技术有效解决深度卷积神经网络参数冗余的问题，并且能够解决在有限样本数据集下分类精度低的问题，分类性能良好。分类性能良好。分类性能良好。

【技术实现步骤摘要】
基于注意力机制和权值共享的高光谱图像分类方法


[0001]本专利技术属于图像处理
，涉及一种高光谱图像分类方法，具体涉及一种图像分类
中的基于注意力机制和权值共享的高光谱图像分类方法。可应用于灾害监测、地质勘探、城市规划、目标识别等诸多领域。

技术介绍

[0002]高光谱图像是高光谱成像仪器在不同波长的光谱波段上对图像空间范围内地物目标同时成像得到的三维图像。高光谱以其丰富的波段信息记录了地物目标的连续光谱特征，具备了能够进行更多种类地物目标识别和更高精度地进行目标分类的可能性。基于这些特点，高光谱图像可以实现对地物所属类别进行精确的判断，对人类认识客观世界提供了有利条件。高光谱图像的分类可以对图像空间范围内的不同地物进行精准识别，可以判断出各像素点的地物类别，再进一步进行其它应用。如何提高分类精度是高光谱图像分类的重点和难点。随着深度学习在各个领域的广泛应用，高光谱图像分类也出现了多种深度学习分类方法，如自编码器AE(Autoencoder)、卷积神经网络CNN(Convolutional Neural Networks)、深度信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和权值共享的高光谱图像分类方法，其特征在于，包括如下步骤：(1)获取高光谱图像并对其进行预处理：(1a)获取一幅包含K个不同地物类别的高光谱图像和对应的标签图其中，K≥2，∈表示属于，表示实数域，m和n分别表示F的长和宽，b表示F的光谱波段数；(1b)将高光谱图像F转换成大小为a
×
b的二维矩阵a＝m
×
n，并对X进行归一化，再将归一化后的二维矩阵转换为与F尺寸大小相同的三维矩阵，得到归一化后的高光谱图像F
′
；(2)对归一化后的高光谱图像F
′
进行邻域取块：对归一化后的高光谱图像F
′
分别以尺寸3、5、7进行0像素边缘填充，再以边缘填充后的高光谱图像中的每个像素点为中心，分别选取7
×7×
b、11
×
11
×
b、15
×
15
×
b的邻域块，得到三种尺度的邻域块；(3)生成训练样本集与测试样本集：将每种尺度邻域块中每个邻域块的中心像素点的类别组合成类别集合，并将其中半数以下类别对应的中心像素点所在的邻域块组成训练样本集，将其余的领域块组成测试样本集；(4)构建高光谱图像分类网络模型：构建包括依次级联的特征提取网络、concatenate层、第一全局平均池化层和第一全连接层的高光谱图像分类网络模型；特征提取网络包括三个并行连接且权值共享的特征提取分支，每个特征提取分支包括多个三维卷积层、多个二维卷积层、多个规范层、多个激活函数层和多个融合层；每个融合层包括由第二全局平均池化层、多个全连接层和多个激活函数层组成的注意力机制网络；(5)对高光谱图像分类网络模型进行迭代训练：(5a)初始化迭代次数为t，最大迭代次数为T，T≥200，并令t＝1；(5b)将从训练样本集随机且有回放选取的N个训练样本作为高光谱图像分类网络模型的输入进行前向传播，得到预测标签向量集合y＝{y1,y2,...,y
n
,...,y
N
}，N≥2，y
n
表示第n个训练样本对应的预测标签向量；(5c)采用交叉熵损失函数L计算每个预测标签向量y
n
与其对应的真实标签向量之间的损失值，并采用梯度下降法，通过损失值对高光谱图像分类网络模型的权值参数ω进行更新；(5d)判断t≥T是否成立，若是，得到训练好的高光谱图像分类网络模型，否则，令t＝t+1，并执行步骤(5b)；(6)获取高光谱图像的分类结果：将测试样本集作为训练好的高光谱图像分类网络模型的输入进行前向传播，得到所有测试样本的预测标签。2.根据权利要求1所述的基于注意力机制和权值共享的高光谱图像分类方法，其特征在于，步骤(1b)中所述的对X进行归一化，其中对二维矩阵X的每个光谱波段中每个地物目
标的归一化公式为：其中，表示归一化后的二维矩阵X
′
中第i个光谱波段中的第j个地物目标，表示二维矩阵X中第i个光谱波段中所有地物目标的平均像素值，表示二维矩阵X中第i个光谱波段...

【专利技术属性】
技术研发人员：刘逸，郭震，慕彩红，刘红英，王蓉芳，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：