【技术实现步骤摘要】
高光谱图像识别方法、装置、电子设备及可读存储介质
[0001]本申请涉及图像处理
，特别是涉及一种高光谱图像识别方法、装置、电子设备及可读存储介质。
技术介绍
[0002]随着高光谱成像光谱仪的发展，遥感影像的光谱信息从全色、多光谱快速发展至高光谱，使遥感技术进入到一个崭新阶段。高光谱影像具有高光谱分辨率，获得的影像像元具有上百波段光谱信息。基于各种地物之间的不同光谱特性，高光谱遥感技术广泛应用于地物识别分类、定量反演和异常目标检测等
高光谱图像识别分类是根据高光谱图像光谱特征将每个像素分配到某个已知类别，是目前高光谱遥感技术中最活跃的研究领域，并引起了遥感领域的广泛关注。传统的高光谱图像识别方法基于光谱信息进行分类，输入的信息为一维信息。例如：支持向量机、随机森林的分类方法、K最近邻等方法。近年来基于表示的模型也被应用到高光谱图像分类中，这类模型假设输入光谱特征需要由来自背景字典的原子的线性组合来表示，例如稀疏表示、协同表示。
[0003]近年来，众多学者将深度学习被引入到高光谱图像分类中，取得了良好...
【技术保护点】
【技术特征摘要】
1.一种高光谱图像识别方法，其特征在于，包括：预先训练图像识别模型；所述图像识别模型包括预处理卷积模块、多尺度特征融合模块和空间注意力机制模块；将待识别高光谱遥感影像输入至所述图像识别模型中，得到所述待识别高光谱遥感影像的图像识别结果；其中，所述预处理卷积模块通过普通卷积核空洞卷积对所述待识别高光谱遥感影像进行处理，以学习得到所述待识别高光谱遥感影像的浅层空谱特征信息；所述多尺度特征融合模块利用不同大小的卷积核并结合残差网络提取浅层空谱特征信息，得到空谱特征图；所述空间注意力机制模块分别在光谱维与空间维的两个维度上学习目标特征，依次推断出注意力权重，同时根据所述注意力权重自适应调整所述空谱特征图，以得到最终的目标空谱特征图，并将所述目标空谱特征图输送至全连接层进行降维操作。2.根据权利要求1所述的高光谱图像识别方法，其特征在于，所述预处理卷积模块包括第一普通三维卷积层、第二普通三维卷积层、第一空洞三维卷积层、第二空洞三维卷积层和第三空洞三维卷积层；所述第一普通三维卷积层、所述第二普通三维卷积层、所述第一空洞三维卷积层、所述第二空洞三维卷积层和所述第三空洞三维卷积层交叉组合为卷积结构；所述预处理卷积模块结合所述残差网络将所述待处理高光谱遥感影像与所述卷积结构输出的图像卷积结果相加生成所述空谱特征图。3.根据权利要求2所述的高光谱图像识别方法，其特征在于，所述第一普通三维卷积层和所述第二普通三维卷积层的卷积核为3
×3×
8；所述第一空洞三维卷积层、所述第二空洞三维卷积层和所述第三空洞三维卷积层的卷积核为3
×3×
3，所述第一空洞三维卷积层的通道数为16，所述第二空洞三维卷积层的通道数为32，所述第三空洞三维卷积层的通道数为32。4.根据权利要求1所述的高光谱图像识别方法，其特征在于，所述多尺度特征融合模块为多层次多尺度滤波器卷积网络；所述多层次多尺度滤波器卷积网络包括第一分支、第二分支和第三分支；通过对各分支的特征图连接和对各分支逐像素相加得到所述空谱特征图；所述第一分支、所述第二分支和所述第三分支均包括所述残差网络，且在每一层网络都增加批归一化层，同时采用ReLU激活函数；所述第一分支包括卷积核为3*3的第一卷积层、卷积核为3*3的第二卷积层、卷积核为3*3的第三卷积层和卷积核为1*1的第四卷积层；所述第二分支包括卷积核为5*5的第四卷积层、卷积核为5*5的第五卷积层和卷积核为1*1的第六卷积层；所述第三分支包括卷积核为7*7的第七卷积层。5.根据权利要求1至4任意一项所述的高光谱图像识别方法，其特征在于，所述通过在光谱维与空间维的两个维度上学习目标特征，依次推断出注意力权重，同时根据所述注意力权...
【专利技术属性】
技术研发人员：朱济帅，李海霞，邓美环，刘康，陈木森，李小宝，
申请(专利权)人：海南长光卫星信息技术有限公司，
类型：发明
国别省市：
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。