【技术实现步骤摘要】
基于双分支光谱多尺度注意力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]近年来,随着科学技术的快速发展,遥感图像被应用于许多领域。高光谱图像具有较高的空间分辨率以及丰富的光谱波段
[1],这使其应用领域十分广泛,如地球勘探
[2]、环境监测
[3]、生态科学
[4]等。
[0003]高光谱图像分类是高光谱技术的重要应用之一。由于高光谱图像含有丰富的空间和光谱信息,充分地提取图像的空间特征和光谱特征,能够有效提高高光谱图像分类精度。因此,很多提取空间特征和光谱特征的方法被提出,以提高对高光谱图像的分类性能。在早期,基于线性的分类方法被提出,如判别约束分析
[5]、主成分分析
[6],以及平衡局部判别方法
[7]等。但由于线性方法表达能力较弱,应用在较复杂的问题中,分类效果较差。为了改善分类性能,一些基于流型学习的分类方法被提出,如C.Zhao等人
[8]提出了基于稀疏低秩近等距线性嵌入方法,以及F.Luo等人
[9]提出的半监督稀疏流型识别分析方法等。
[0004]关于图像分类,涌现出很多具有代表性的分类器。例如,基于无监督聚类的k最近邻的分类器
[10]、适用于高维数据的半监督方法的逻辑回归分类器
[11]、结构非常简单的极端学习分类器
[12]、基于稀疏表示的分类器
[13],以及支持向量机分类器
[14]。其中,基于支持向量机的分类器在训 ...
【技术保护点】
【技术特征摘要】
1.基于双分支光谱多尺度注意力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是光谱波段;9
×
9代表空间大小;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;同理,Y包括Y1、Y2、Y3;Y1是x1的对应标签向量数据,Y2是x2的对应标签向量数据,Y3是x3的对应标签向量数据;步骤二、建立双分支光谱多尺度注意力网络DBSMA;步骤三、将x1,x2和Y1,Y2输入到建立的双分支光谱多尺度注意力网络DBSMA中,采用Adam算法进行迭代优化,得到最优网络DBSMA;步骤四、向最优网络DBSMA中输入x3进行分类结果预测。2.根据权利要求1所述基于双分支光谱多尺度注意力网络的高光谱图像分类方法,其特征在于:所述步骤二中建立双分支光谱多尺度注意力网络DBSMA;具体过程为:双分支光谱多尺度注意力网络DBSMA包括第一输入层、第一三维卷积层、第二三维卷积层、多尺度光谱金字塔密集连接模块、空间密集连接块、空间注意力模块、第七BN批归一化层、第七Mish激活层、第十三维卷积层、光谱注意力模块、第八BN批归一化层、第八Mish激活层、第九BN批归一化层、第九Mish激活层、第一Dropout层、第二Dropout层、全局均值池化层、全连接层以及分类器。3.根据权利要求2所述基于双分支光谱多尺度注意力网络的高光谱图像分类方法,其特征在于:所述双分支光谱多尺度注意力网络DBSMA连接关系为:第一输入层的输出层分别连接第一三维卷积层和第二三维卷积层;第一三维卷积层的输出连接空间密集连接块,空间密集连接块的输出连接空间注意力模块;第二三维卷积层的输出连接多尺度光谱金字塔密集连接模块,多尺度光谱金字塔密集连接模块的输出连接第七BN批归一化层,第七BN批归一化层的输出连接第七Mish激活层,第七Mish激活层的输出连接第十三三维卷积层,第十三三维卷积层的输出连接光谱注意力模块;空间注意力模块的输出连接第八BN批归一化层,第八BN批归一化层的输出连接第八Mish激活层,第八Mish激活层的输出连接第一Dropout层;光谱注意力模块的输出连接第九BN批归一化层,第九BN批归一化层的输出连接第九Mish激活层,第九Mish激活层的输出连接第二Dropout层;将第一Dropout层的输出和第二Dropout层的输出进行级联,级联后输入全局均值池化层,全局均值池化层的输出连接全连接层,全连接层输出结果通过分类器实现分类。4.根据权利要求3所述基于双分支光谱多尺度注意力网络的高光谱图像分类方法,其特征在于:所述空间密集连接块包括第一BN批归一化层、第一Mish激活层、第三三维卷积层、第二BN批归一化层、第二Mish激活层、第四三维卷积层、第三BN批归一化层、第三Mish激活层、第五三维卷积层。
5.根据权利要求4所述基于双分支光谱多尺度注意力网络的高光谱图像分类方法,其特征在于:所述第一三维卷积层的输出连接空间密集连接块,空间密集连接块的输出连接空间注意力模块;具体连接关系为:第一三维卷积层的输出分别作为第一BN批归一化层、第二BN批归一化层、第三BN批归一化层和空间注意力块中第二输入层的输入;第一BN批归一化层的输出连接第一Mish激活层,第一Mish激活层连接第三三维卷积层,第三三维卷积层的输出分别作为第二BN批归一化层、第三BN批归一化层和空间注意力块中第二输入层的输入;第二BN批归一化层的输出连接第二Mish激活层,第二Mish激活层连接第四三维卷积层,第四三维卷积层的输出分别作为第三BN批归一化层和空间注意力块中第二输入层的输入;第三BN批归一化层的输出连接第三Mish激活层,第三Mish激活层连接第五三维卷积层,第五三维卷积层的输出作为空间注意力块中第二输入层的输入。6.根据权利要求5所述基于双分支光谱多尺度注意力网络的高光谱图像分类方法,其特征在于:所述空间注意力模块的输出连接第八BN批归一化层,第八BN批归一化层的输出连接第八Mish激活层,第八Mish激活层的输出连接第一Dropout层;具体连接关系为:空间注意力模块中第二输入层的输出分别连接第二十六三维卷积层、第二十七三维卷积层、第二十八三维卷积层;对第二十六三维卷积层输出特征进行变形得到特征a,对特征a进行转置得到特征b;对第二十七三维卷积层输出特征进行变形得到特征c,将特征b和特征c相乘得到特征d,将特征d经过softmax激活层得到特征e;对第二十八三维卷积层输出特征进行变形得到特征f,将特征f和特征e相乘得到特征g,对特征g进行变形得到特征h,将特征h和第二输入层的输出特征相乘得到特征i;特征i输入第八BN批归一化层,第八BN批归一化层的输出连接第八Mish激活层,第八Mish激活层的输出连接第一Dropout层。7.根据权利要求6所述基于双分支光谱多尺度注意力网络的高光谱图像分类方法,其特征在于:所述多尺度光谱金字塔密集连接模块包括第四BN批归一化层、第四Mish激活层、第六三维卷积层、第十四三维卷积层、第十五三维卷积层、第十六三维卷积层、第二十三三维卷积层、第七三维卷积层、第五BN批归一化层、第五Mish激活层、第八三维卷积层、第十七三维卷积层、第十八三维卷积层、第十九三维卷积层、第二十四三维卷积层、第九三维卷积层、第六BN批归一化层、第六Mish激活层、第十三维卷积层、第二十三维卷积层、第二十一三维卷积层、第二十二三维卷积层、第二十五三维卷积层、第十一三维卷积层。8.根据权利要求7所述基于双分支光谱多尺度注意力网络的高光谱图像分类方法,其特征在于:所述第二三维卷积层的输出连接多尺度光谱金字塔密集连接模块,多尺度光谱金字塔密集连接模块的输出连接第七BN批归一化层,第七BN批归一化层的输出连接第七M...
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。