用于高光谱图像分类的全局学习装置及方法制造方法及图纸

本发明专利技术提供一种用于高光谱图像分类的全局学习装置及方法。该装置包括：编码器和解码器；编码器按照图像处理顺序依次包括光谱维调整层、第一特征提取层和第二特征提取层；第一特征提取层包括堆叠在一起的三个MLBSA结构层；MLBSA结构层包括三个洗牌光谱注意SSA模块、两个MLB层和一个下采样层；第一个SSA模块的输入通过Zero

【技术实现步骤摘要】
用于高光谱图像分类的全局学习装置及方法


[0001]本专利技术涉及高光谱图像分类
，尤其涉及一种用于高光谱图像分类的 全局学习装置及方法。

技术介绍

[0002]高光谱成像技术可同时探测到目标物体的二维几何空间信息和一维连续的 光谱信息，使得高光谱图像具有“图谱合一”的特点。几何空间信息可以反映出 目标物体的大小，形状等外部特征，而光谱信息能够反映目标物体内部的物理结 构和化学成分。因此，高光谱遥感被广泛应用于岩矿物质检测、海洋植物检测、 水资源应用与土地资源利用等领域。
[0003]如何构建一种更准确有效的分类方法是高光谱遥感技术应用中的一个关键 的问题。传统的分类算法，如支持向量机(SVM)、三维小波变换、高斯混合 等通常采用波段选择和特征提取的方式来降低原始图像的维数，将图像投影到低 层特征空间。这些方法往往改变了原始图像的波段相关性，丢失了部分光谱信息， 无法充分提取到高光谱图像中抽象特征，从而影响了分类精度。
[0004]近年来，随着深度学习技术应用与发展，基于卷积神经网络(CNN)构建 的算法模型已经被广泛应用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于高光谱图像分类的全局学习装置，其特征在于，包括：编码器和解码器；所述编码器按照图像处理顺序依次包括光谱维调整层、第一特征提取层和第二特征提取层；所述第一特征提取层包括堆叠在一起的三个MLBSA结构层；所述MLBSA结构层包括三个洗牌光谱注意SSA模块、两个MLB层和一个下采样层；其中，所述SSA模块与所述MLB层相互交叉堆叠；所述下采样层作为所述MLBSA结构层的最后一个子层；第一个所述SSA模块的输入通过Zero
‑
padded卷积模块之后与所述下采样层的输出进行相加融合操作后的输出作为所述MLBSA结构层的输出；所述MLB层表示改进的线性瓶颈层；所述解码器按照图像处理顺序依次包括第一上采样层、Concat层和输出层；所述第一特征提取层中的第一个MLBSA结构层的输出作为所述第一上采样层的输入，所述第二特征提取层的输出与所述第一上采样层的输出经过所述Concat层进行融合，融合结果经所述输出层处理以完成高光谱图像的分类。2.根据权利要求1所述的用于高光谱图像分类的全局学习装置，其特征在于，所述光谱维调整层包括三个子层，由浅层至深层依次为SSA模块、1
×
1卷积层和MLB层。3.根据权利要求1所述的用于高光谱图像分类的全局学习装置，其特征在于，所述MLB层包括依次堆叠在一起的第一卷积模块、第二卷积模块和第三卷积模块；其中，第一卷积模块和第二卷积模块中由浅层至深层依次由卷积层、GN层和ReLU层组成；第三卷积模块依次包括卷积层和GN层。4.根据权利要求1所述的用于高光谱图像分类的全局学习装置，其特征在于，所述第二特征提取层包括SSA模块、用于提取全局信息的第一分支提取层、用于提取局部信息的第二分支提取层、特征融合层和第二上采样层；所述SSA模块的输出分别经过所述第一分支提取层和所述第二分支提取层；两个分支提取层的输出经过所述特征融合层进行特征融合，特征融合层的输出经过所述第二上采样层后的...

【专利技术属性】
技术研发人员：党兰学，刘崇阳，侯彦娥，左宪禹，刘扬，田军锋，林英豪，周黎鸣，
申请(专利权)人：河南大学，
类型：发明
国别省市：