基于自适应空谱注意力核生成网络的高光谱图像分类方法技术

本发明专利技术提供一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，首先通过光谱注意力核函数s实现光谱特征信息的有效选择，然后通过能够捕捉不同空间分布关系的空间注意力核函数集合W实现对不同像素邻域内空间特征的有效提取，使得本发明专利技术即使在小样本情况下也可以得到很高的分类精度，并能够产生更加均匀平滑且边界清晰的分类结果图。匀平滑且边界清晰的分类结果图。匀平滑且边界清晰的分类结果图。

【技术实现步骤摘要】
基于自适应空谱注意力核生成网络的高光谱图像分类方法


[0001]本专利技术属于遥感图像处理领域，尤其涉及一种基于自适应空谱注意力核生成网络的高光谱图像分类方法。

技术介绍

[0002]高光谱图像是由数百个光谱波段组成的三维图像数据，具有丰富的光谱信息和空间信息，既可以描述地面目标的物理特性又可以反映空间分布情况，因此被广泛应用在城市发展、地质勘探、环境监管等领域。高光谱图像分类的目的在于根据获得的样本特征将图像中的每个像素点划分到一个特定的地物类别，并根据地物类别的不同生成对应的分类结果图。
[0003]随着近年来深度学习理论的快速发展，以卷积神经网络(CNN)为主的深度学习方法在高光谱图像分类领域得到了广泛的应用，并取得了不错的进展。虽然基于CNN的高光谱分类方法已经取得了优秀的分类表现，但是这些分类方法往往需要大量的标记样本对模型进行参数优化，以获得良好的分类性能，当标记样本数量受限时，分类性能会出现断崖式下降。然而在高光谱图像处理领域，获得大规模的可用标记样本的成本是高昂的。因此，如何提高模型在小样本情况下的分类精度是高光谱图像应用领域的一个严峻挑战。

技术实现思路

[0004]为解决现有高光谱分类方法依赖于训练样本数量的局限性，本专利技术提供一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，能够利用极少的标记样本实现高光谱图像分类。
[0005]一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，采用基于自适应光谱
‑
空间注意力核的网络模型对高光谱图像所包含的地物类别进行分类，其中，网络模型包括：
[0006]光谱注意力核生成模块，用于获取可以对高光谱像素邻域立方体X的光谱特征信息进行自适应选择的光谱注意力核函数s；
[0007]光谱特征选择模块，用于计算高光谱像素邻域立方体X各像素点与光谱注意力核函数S的哈达玛积，得到具有波段选择性的特征图M；
[0008]空间注意力核生成模块，用于获取可以捕捉特征图M中不同空间分布关系的空间注意力核函数集合W；
[0009]空间特征提取模块，用于利用空间注意力核函数集合W捕捉特征图M中不同像素邻域内的空间分布关系，得到具有空间相关性的特征图H；
[0010]光谱
‑
空间特征分类模块，用于根据光谱
‑
空间特征图H获取高光谱图像所包含的地物类别。
[0011]进一步地，所述光谱注意力核生成模块获取光谱注意力核函数s的方法为：
[0012]分别使用全局平均池化层和全局最大池化层从高光谱像素邻域立方体X中提取全
局平均特征x
avg
和全局最大特征x
max
，并将两者送入卷积层进行特征映射时自适应生成的光谱注意力权重s
avg
与s
max
的和值作为光谱注意力核函数s。
[0013]进一步地，所述高光谱像素邻域立方体X的获取方法为：
[0014]假设待分类的高光谱图像包含C个波段，每个波段包含H
×
W个像素点，其中，H、W分别为高光谱图像的高度和宽度；使用空间尺寸为S
×
S的滑动窗口逐像素点对高光谱图像进行采样，且采样过程中采用边界补零策略，得到H
×
W个维度大小为S
×
S
×
C的高光谱像素邻域立方体X。
[0015]进一步地，所述空间注意力核生成模块获取空间注意力核函数集合W的方法为：
[0016]逐像素点对特征图M进行滑动窗口采样，得到多个以特征图M各像素点为中心像素点的像素邻域立方体，并将各像素邻域立方体组成特征集合点的像素邻域立方体，并将各像素邻域立方体组成特征集合其中，i＝1,2,
…
,SS，SS为特征图M像素点的个数；
[0017]分别将各像素邻域立方体D
i
输入全局平均池化层和全局最大池化层，得到各像素邻域立方体D
i
对应的全局特征平均D
iavg
和全局最大特征D
imax
；
[0018]将全局特征平均D
iavg
和全局最大特征D
imax
的和值分别作为各像素邻域立方体D
i
对应的全局特征表示，并将全局特征表示通过卷积层映射到维度更高的特征空间Q
i
；
[0019]将各像素邻域立方体D
i
与特征空间Q
i
的维度分别重塑为(K
×
K)
×
C和G
×
C，其中，K
×
K为空间注意力核函数W
i
感受野的设定尺寸，G为空间注意力核函数W
i
中空间注意力核的设定数量，然后根据如下公式分别计算各像素邻域立方体D
i
对应的空间注意力核函数W
i
：
[0020][0021]其中，‖
·
‖2表示沿着高光谱图像的空间特征维度计算L2范数，sfm
‑1(
·
)表示沿着高光谱图像的第一个维度进行softmax归一化，T表示转置；
[0022]将各高光谱像素邻域立方体对应的空间注意力核函数组成空间注意力核函数集合W＝{W1,W2,
…
,W
i
,
…
,W
ss
}。
[0023]进一步地，所述空间特征提取模块获取光谱
‑
空间特征图H的方法为：
[0024]将每一个高光谱像素邻域立方体D
i
分别沿着各自的光谱特征维度平均划分为G组，且每一组均包含多个光谱特征通道，同时，高光谱像素邻域立方体D
i
的第g组光谱特征通道对应空间注意力核函数W
i
的第g个空间注意力核其中，g＝1,2,
…
,G；
[0025]将各光谱特征通道分别与各自对应的空间注意力核计算哈达玛积；
[0026]分别将每一个光谱特征通道内的所有像素点对应的哈达玛积沿着空间维度相加，则同属于一个高光谱像素邻域立方体D
i
的所有光谱特征通道对应的和值为关于高光谱像素邻域立方体D
i
的空间特征向量h
i
，进而得到光谱
‑
空间特征图H＝{h1,h2,
…
,h
i
,
…
,h
SS
}。
[0027]进一步地，所述网络模型还包括：
[0028]样本获取模块，用于获取高光谱数据集，并将高光谱数据集按照设定比例划分为训练集和验证集，其中，所述高光谱数据集中的每一条样本均由高光谱像素邻域立方体及其中心像素对应的类别标签构成；
[0029]反向传播模块，用于当训练集中的高光谱像素邻域立本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，其特征在于，采用基于自适应光谱
‑
空间注意力核的网络模型对高光谱图像所包含的地物类别进行分类，其中，网络模型包括：光谱注意力核生成模块，用于获取可以对高光谱像素邻域立方体X的光谱特征信息进行自适应选择的光谱注意力核函数s；光谱特征选择模块，用于计算高光谱像素邻域立方体X各像素点与光谱注意力核函数s的哈达玛积，得到具有波段选择性的特征图M；空间注意力核生成模块，用于获取可以捕捉特征图M中不同空间分布关系的空间注意力核函数集合W；空间特征提取模块，用于利用空间注意力核函数集合W捕捉特征图M中不同像素邻域内的空间分布关系，得到具有空间相关性的特征图H；光谱
‑
空间特征分类模块，用于根据光谱
‑
空间特征图H获取高光谱图像所包含的地物类别。2.如权利要求1所述的一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，其特征在于，所述光谱注意力核生成模块获取光谱注意力核函数s的方法为：分别使用全局平均池化层和全局最大池化层从高光谱像素邻域立方体X中提取全局平均特征x
avg
和全局最大特征x
max
，并将两者送入卷积层进行特征映射时自适应生成的光谱注意力权重s
avg
与s
max
的和值作为光谱注意力核函数s。3.如权利要求1所述的一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，其特征在于，所述高光谱像素邻域立方体X的获取方法为：假设待分类的高光谱图像包含C个波段，每个波段包含H
×
W个像素点，其中，H、W分别为高光谱图像的高度和宽度；使用空间尺寸为S
×
S的滑动窗口逐像素点对高光谱图像进行采样，且采样过程中采用边界补零策略，得到H
×
W个维度大小为S
×
S
×
C的高光谱像素邻域立方体X。4.如权利要求1所述的一种基于自适应空谱注意力核生成网络的高光谱图像分类方法，其特征在于，所述空间注意力核生成模块获取空间注意力核函数集合W的方法为：逐像素点对特征图M进行滑动窗口采样，得到多个以特征图M各像素点为中心像素点的像素邻域立方体，并将各像素邻域立方体组成特征集合像素邻域立方体，并将各像素邻域立方体组成特征集合其中，i＝1,2,
…
,SS，SS为特征图M像素点的个数；分别将各像素邻域立方体D
i
输入全局平均池化层和全局最大池化层，得到各像素邻域立方体D
i
对应的全局特征平均D
iavg
和全局最大特征D
imax
；将全局特征平均D
iavg
和全局最大特征D
imax
的和值分别作为各像素邻域立方体D
i
对应的全局特征表示，并将全局特征表示通过卷积层映射到维度更高的特征空间Q
i
；将各像素邻域立方体D
i
与特征空间Q
i
的维度分别重塑为(K
×
K)
×
C和G
×
C，其中，K
×
K为空间注意力核函数W
i
感受野的设定尺寸，G为空间注意力核函数W
i
中空间注意力核的设定数量，然后根据如下公式分别计算各像素邻域立方体D
i
对应的空间注意力核函数W
i
：
其中，‖
·
‖2表示沿着高光谱图像的空间特征维度计算L2范数，sfm
‑1(
·
)表示沿着高光谱图像的第一个维度进行softmax归一化，T表示转置；将各高光谱像素邻域立方体对应的空间注意力核函数组成空间注意力核函数集合W＝{W1,W2,
…
,W
i
,
…...

【专利技术属性】
技术研发人员：张彦梅，徐雁冰，余诚诚，岳亭轩，李欢，赵桂宸，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：