一种高光谱影像分类方法和存储介质技术

本发明专利技术提供了一种高光谱影像分类方法，高光谱影像分类方法包括：构建卷积网络和图注意力网络的加权融合模型；输入高光谱遥感图像至该模型，从而获取高光谱遥感图像的影像数据；对影像数据降维并去噪，利用去噪数据通过两个分支分别获取像素级特征和超像素级特征进行加权融合，然后迭代训练加权融合模型，利用交叉熵损失函数和反向传播函数对加权融合模型反复迭代训练，利用训练后的加权融合模型对高光谱影像进行像素级分类。本发明专利技术充分考虑了样本的多尺度深层特征，全面地考虑特征的各个尺度和层次，提高了分类精度。提高了分类精度。提高了分类精度。

【技术实现步骤摘要】
一种高光谱影像分类方法和存储介质


[0001]本专利技术涉及遥感图像处理
，具体涉及基于卷积神经网络和图注意力网络加权融合一种高光谱影像分类方法和存储介质。

技术介绍

[0002]高光谱遥感图像处理在物质信息探测方面有着重要的地位，是遥感领域的重要课题。高光谱遥感图像能提供连续的辐射光谱波段，承载着丰富的地物信息，能用于处理不同的应用领域，如房屋的变化检测、农作物评估、地质矿产资源调查等(Manolakis,Siracusa et al.,2001；Nasrabadi,N.M.,2014)。高光谱遥感图像处理领域中，分类问题是其中的一个主要任务，所谓高光谱影像分类即为确定每个高光谱影像像素点的类别。现有分类方法主要是基于卷积神经网络的方法研究，即使用卷积神经网络模型进行端到端的影像分类。
[0003]卷积神经网络作为一种深度学习模型，已经成功地运用到高光谱遥感图像分类中，基于卷积神经网络的方法能处理高维数据并对样本噪声有很好的鲁棒性，但是需要大量的先验训练样本，才能取得比较好的效果。但是，在高光谱影像分类应用中，高光谱遥感影像往往具有光谱可变性的特点，会导致目标训练样本极其有限，甚至只有单一的训练样本，训练样本和待预测影像的像元数目往往差别很大，从而没有足够的训练样本用于重新构造对测试样本同样有效的机器学习模型。如果直接将卷积神经网络直接用到高光谱影像分类中，并不能将模型很好的推广到整个数据集上，得到理想的分类结果。

技术实现思路

[0004]本专利技术解决的一个主要问题是如何利用有限的训练样本构建多特征表达模型，较好地处理不均衡训练样本的情况。
[0005]根据本专利技术的一个方面，本专利技术提供一种高光谱影像分类方法，所述高光谱影像分类方法包括：
[0006]构建卷积网络和图注意力网络的加权融合模型；
[0007]将高光谱遥感图像输入所述加权融合模型，从而获取所述高光谱遥感图像的影像数据；
[0008]对所述影像数据降维并去噪，得到去噪数据；
[0009]利用所述去噪数据迭代训练所述加权融合模型，训练步骤包括：
[0010]对所述去噪数据进行超像素特征嵌入和归一化，获得归一化数据；
[0011]利用空间注意力机制提取所述归一化数据中的空间注意力信息和通道注意力信息；
[0012]利用2维卷积神经网络对所述空间注意力信息和所述通道注意力信息抽取高光谱影像特征；
[0013]将抽取到的所述高光谱影像特征进行多维特征加权融合，获得复合超像素和像素级特征的特征信息，至此完成一次训练；
[0014]利用交叉熵损失函数和方向传播函数对所述加权融合模型反复迭代训练，获得训练好的所述加权融合模型；
[0015]利用训练后的所述加权融合模型对高光谱影像进行分类。
[0016]进一步地，所述对所述影像数据降维并去噪，得到去噪数据包括：
[0017]利用1维卷积神经网络处理对高光谱影像降维并去噪：
[0018][0019]其中，经过1维卷积神经网络处理后的特征输出，h,w,m分别为特征图的长、宽和通道数，K
i,j,b,m
为1维卷积神经网络的卷积核，i、j和b分别为卷积核所处的不同位置，B
h,w,m
为1维卷积神经网络的偏置，σ(表示leakyReLU激活函数。
[0020]进一步地，所述对所述影像数据降维并去噪，得到去噪数据还包括：
[0021]对降维并去噪后的所述高光谱影像的像素级特征和超像素特征进行编码，编码过程的第一数学表达式为：
[0022][0023]其中，X为输入的三维高光谱影像，为按照光谱维度展平的高光谱影像，为i位置的按照光谱维度展平的高光谱影像S
j
为超像素级别高光谱影像，O
i,j
为在位置i,j的联系矩阵；
[0024]编码过程的第二数学表达式为：
[0025][0026]其中，V为超像素特征，Encoder(X；O)为像素级特征编码器，Flatten(X)为将高光谱数据展开成一维向量，且o为数据预处理部分得到的联系矩阵，为超像素构建的联系矩阵的转置。
[0027]进一步地，对降维并去噪后的所述高光谱影像的像素级特征和超像素特征进行编码后还包括：
[0028]对编码后的所述高光谱影像的像素级特征和超像素特征进行解码，解码过程的数学表达式为：
[0029][0030]其中，为解码后的三维高光谱影像，Decoder为超像素特征解码器，Rshape表示执行维度变换操作。
[0031]进一步地，所述利用空间注意力机制提取所述归一化数据中的空间注意力信息和通道注意力信息包括：
[0032]首先通过空间注意力机制提取空间注意力信息，所述空间注意力信息表示为第三表达式：
[0033][0034]其中，Z
j
为得到的空间注意力信息，m
p
为通过自注意力机制得到空间注意力系数，
为位置i和位置j的相关程度，C
i
为通过1维卷积神经网络对原始特征图进行变换得到的新特征图，且i＝1,2,...,N，N为空间中像素总数，为输入的特征的第j个通道，α为可学习参数；
[0035]再通过空间注意力机制得到通道注意力信息，所述通道注意力信息表示为第四表达式：
[0036][0037]其中，Z
j
为得到通道注意力信息，m
c
为通过自注意力机制得到通道注意力图，m
cji
为通道i和通道j的相关程度，为输入的特征图的第i个通道，为输入的特征图的第j个通道，且i＝1,2,...,N，C为空间中通道总数，β为可学习参数。
[0038]进一步地，所述利用2维深度可分离卷积神经网络对所述空间注意力信息和所述通道注意力信息抽取高光谱影像特征还包括：
[0039]使用2维深度可分离卷积神经网络进行特征抽取：
[0040][0041]其中，经过2维深度可分离卷积神经网络处理后的特征输出，为 2维深度可分离卷积神经网络的卷积核，为2维深度可分离卷积神经网络的偏置，σ为leakyReLU激活函数。
[0042]进一步地，所述将抽取到的所述高光谱影像特征进行多维特征加权融合包括：
[0043]利用下述表达式进行多维特征融合：
[0044]F＝η
·
AC+(1
‑
η)
·
SG
[0045]其中，η为权重参数，F为融合的影像特征，AC,SG分别为基于卷积神经网络分支和基于图卷积网络分支产生的影像特征。
[0046]进一步地，所述利用交叉熵损失函数和方向传播函数对所述加权融合模型反复迭代训练，获得训练好的所述加权融合模型包括；
[0047]使用交叉熵损失函数计算损失，所述交叉熵损失函数为：
[0048][0049]其中，L(Y,P)为损失值，Y指分类标签图，P为预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱影像分类方法，其特征在于，所述高光谱影像分类方法包括：构建卷积网络和图注意力网络的加权融合模型；将高光谱遥感图像输入所述加权融合模型，从而获取所述高光谱遥感图像的影像数据；对所述影像数据降维并去噪，得到去噪数据；利用所述去噪数据迭代训练所述加权融合模型，训练步骤包括：对所述去噪数据进行超像素特征嵌入和归一化，获得归一化数据；利用空间注意力机制提取所述归一化数据中的空间注意力信息和通道注意力信息；利用2维卷积神经网络对所述空间注意力信息和所述通道注意力信息抽取高光谱影像特征；将抽取到的所述高光谱影像特征进行多维特征加权融合，获得复合超像素和像素级特征的特征信息，至此完成一次训练；利用交叉熵损失函数和方向传播函数对所述加权融合模型反复迭代训练，获得训练好的所述加权融合模型；利用训练后的所述加权融合模型对高光谱影像进行分类。2.如权利要求1所述的一种高光谱影像分类方法，其特征在于，所述对所述影像数据降维并去噪，得到去噪数据包括：利用1维卷积神经网络处理对高光谱影像降维并去噪：其中，经过1维卷积神经网络处理后的特征输出，h,w,m分别为特征图的长、宽和通道数，K
i,j,b,m
为1维卷积神经网络的卷积核，i、j和b分别为卷积核的不同位置，B
h,w,m
为1维卷积神经网络的偏置，σ表示leakyReLU激活函数。3.如权利要求2所述的一种高光谱影像分类方法，其特征在于，所述对所述影像数据降维并去噪，得到去噪数据还包括：对降维并去噪后的所述高光谱影像的像素级特征和超像素特征进行编码，首先构建联系矩阵，所述联系矩阵为第一数学表达式：其中，X为输入的三维高光谱影像，为按照光谱维度展平的高光谱影像，为i位置的按照光谱维度展平的高光谱影像，S
j
为超像素级别高光谱影像，O
i,j
为在位置i,j的联系矩阵；然后构建超像素和像素的编码器，所述编码器为第二数学表达式：其中，V为超像素特征，Encoder(X；O)为像素级特征编码器，Flatten(X)为将高光谱数据展开成一维向量，且o为数据预处理部分得到的联系矩阵，为超像素构建的联系矩阵的转置。4.如权利要求3所述的一种高光谱影像分类方法，其特征在于，对降维并去噪后的所述
高光谱影像的像素级特征和超像素特征进行编码后还包括：对编码后的所述高光谱影像的像素级特征和超像素特征进行解码，解码器的数学表达式为：其中，为解码后的三维高光谱影像，Decoder(为超像素特征解码器，Rshape(表示执行维度变换操作。5.如权利要求1所述的一种高光谱影像分类方法，其特征在于，所述利用空间注意...

【专利技术属性】
技术研发人员：董燕妮，刘权威，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：