【技术实现步骤摘要】
基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法
[0001]本专利技术涉及高光谱图像分类方法。
技术介绍
[0002]高光谱图像(Hyperspectral Images,HSIs)是由一些搭载高光谱成像仪的航天飞行器获取的图像。图像的每个像元包含数百种不同波段的反射信息,这使得这类图像适用于许多实际应用,例如军事目标探测、矿产勘查、农业生产
[1
‑
4]等。在高光谱图像分析与处理领域,包括在高光谱图像分类方面,已经得到了许多研究成果。然而,高光谱图像分类仍存在三个问题:1)理论上,网络层越深,分类精度越高。但是,对于数据量巨大的高光谱数据来说,太深、太复杂的网络分类效果并不理想;2)相比于自然图像,高光谱数据集通常较小,基于小样本的训练很容易导致过拟合,不利于模型的泛化;3)高光谱图像包含丰富的空间和光谱信息,空谱特征提取不足的问题仍然存在。HSI分类的目的是根据每个像元的空间和光谱特征,将其划分至一个特定类别。故充分利用高光谱图像所包含的空间和光谱信息,是提高高光谱图像分类精度的重要手段。
[0003]在高光谱图像分类的早期阶段,大多数方法都集中于提取高光谱图像的光谱特征进行分类
[5]。支持向量机(SVM)
[6]和多项逻辑回归
[7]是解决高光谱图像分类任务的有力工具。尽管可以通过光谱特征来区分不同的物质,但仅基于光谱信息的提取方式限制了高光谱图像的分类性能。在此基础上,后来提出了一些光谱与空间信息相结合的分类方法(如基于超像素的稀疏表 ...
【技术保护点】
【技术特征摘要】
1.基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法,其特征在于:所述方法具体过程为:步骤一、采集高光谱图像数据集X和相对应的标签向量数据集Y;具体过程为:步骤一一、从高光谱图像数据集X中以目标像素为中心分别提取9
×9×
L大小的立方体,其中L是光谱维数;9
×
9代表长
×
宽;步骤一二、将高光谱图像数据集X随机分配成x1,x2,x3,分别表示训练数据、验证数据和测试数据;Y包括Y1、Y2、Y3;Y1是x1的对应标签向量数据,Y2是x3的对应标签向量数据,Y3是x3的对应标签向量数据;步骤二、建立基于光谱空间注意力融合和可变形卷积残差网络SSAF
‑
DCR;步骤三、将x1,x2和Y1,Y2输入到建立的基于光谱空间注意力融合和可变形卷积残差网络SSAF
‑
DCR中,采用Adam算法进行迭代优化,得到最优网络SSAF
‑
DCR;步骤四、向最优网络SSAF
‑
DCR中输入x3进行分类结果预测。2.根据权利要求1所述基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法,其特征在于:所述步骤二中基于光谱空间注意力融合和可变形卷积残差网络SSAF
‑
DCR包括:第一输入层、第一单元、第二输出层、第六批归一化层、第一隐层Dropout、第三输入层、第二单元、第十三三维卷积、第十三批归一化层、第二隐层Dropout、第五输入层、第三单元、全局平均池化层、全连接层;所述第一单元包括:第一三维卷积层、光谱密集块、第五批归一化层、第五PReLU激活层、第六三维卷积层、光谱注意力块;所述光谱密集块包括:第一批归一化层、第一PReLU激活层、第二三维卷积层、第二批归一化层、第二PReLU激活层、第三三维卷积层、第三批归一化层、第三PReLU激活层、第四三维卷积层、第四批归一化层、第四PReLU激活层、第五三维卷积层;所述光谱注意力块包括:第二输入层、第一softmax激活层、第一输出层;所述第二单元包括:第七批归一化层、第六PReLU激活层、第七三维卷积层、空间密集块、第十二批归一化层、空间注意力块;所述空间密集块包括:第八批归一化层、第七PReLU激活层、第八三维卷积层、第九批归一化层、第八PReLU激活层、第九三维卷积层、第十批归一化层、第九PReLU激活层、第十三维卷积层、第十一批归一化层、第十PReLU激活层、第十一三维卷积层;所述空间注意力块包括:第四输入层、第十二三维卷积层、第二softmax激活层、第三输出层;所述第三单元为DCR模块,DCR模块包括:第十四二维卷积层、第十四批归一化层、第一ReLU激活层、第十五二维可变形卷积层、第十五批归一化层、第二ReLU激活层、第十六二维卷积层、第十六批归一化层、第三ReLU激活层。3.根据权利要求2所述基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法,其特征在于:所述基于光谱空间注意力融合和可变形卷积残差网络SSAF
‑
DCR连接关系为:第一输入层的输出层连接第一单元中的第一三维卷积层的输入,第一三维卷积层的输
出分别作为光谱密集块中的第一批归一化层的输入、第二批归一化层的输入、第三批归一化层的输入和第五批归一化层的输入;第一批归一化层的输出连接第一PReLU激活层的输入,第一PReLU激活层的输出连接第二三维卷积层的输入,第二三维卷积层的输出分别作为第二批归一化层的输入、第三批归一化层的输入和第四批归一化层的输入;第二批归一化层的输出连接第二PReLU激活层的输入,第二PReLU激活层的输出连接第三三维卷积层的输入,第三三维卷积层的输出分别作为第三批归一化层的输入、第四批归一化层的输入和第五批归一化层的输入;第三批归一化层的输出连接第三PReLU激活层的输入,第三PReLU激活层的输出连接第四三维卷积层的输入,第四三维卷积层的输出分别作为第四批归一化层的输入和第五批归一化层的输入;第四批归一化层的输出连接第四PReLU激活层的输入,第四PReLU激活层的输出连接第五三维卷积层的输入,第五三维卷积层的输出作为第五批归一化层的输入;第五批归一化层的输出连接第五PReLU激活层的输入,第五PReLU激活层的输出连接第六三维卷积层的输入,第六三维卷积层的输出作为光谱注意力块中第二输入层的输入,对第二输入层的输出进行变形得到特征a,对特征a进行转置得到特征b,将特征a和特征b相乘得到特征c,将特征c作为第一softmax激活层的输入,将第一softmax激活层的输出特征与特...
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。