【技术实现步骤摘要】
基于改进的Swin
‑
Transformer网络的高光谱图像分类方法
[0001]本专利技术涉及遥感高光谱图像处理
,特别涉及一种基于改进的Swin
‑
Transformer网络的高光谱图像分类方法。
技术介绍
[0002]高光谱遥感技术基于成像高光谱传感器系统获取到的融合了光谱和空间信息的数据,为研究地表和大气中的空间现象与过程提供了一种创新的方式。如果高光谱影像数据具有足够的质量,那么理论上利用这些数据就能够以近似实验室光谱分析的水平,对一定距离以外的目标进行观测和分析。目前成像高光谱遥感技术已被成功的应用于越来越广泛的学科和领域中,包括地质、生态、林业、冰雪、土壤、环境、水文、灾害管理、城市监测、大气研究、农业、渔业、海洋乃至国家安全等方面。由此可见,对高光谱图像的分析和研究具有深远的现实意义,其中对于高光谱图像中像素所代表的地物进行准确率的分类具有重要研究价值。
[0003]通常来说每个地物都会发射、反射和吸收电磁波,因此不同的地面物体会在相同的波长范围内产生不同的反射值,并且多个连续的波段构成地物的光谱曲线。因此,高光谱图像中的每个像素都可以被认为是由许多光谱组成的高维数据立方体,而高光谱图像分类的目标则是使用数据立方体中丰富的光谱信息对每个像元赋予对应的类别标签。目前,已有许多基于光谱信息的分类算法被提出。这些逐像元分类算法具有易于扩展和计算的优点。然而,这些算法忽略了地物分布的空间连续性,即相邻像元之间的空间相关性,而只依赖于高光谱数据的光谱信息,使得构 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进的Swin
‑
Transformer网络的高光谱图像分类方法,具体步骤为:S1,针对高光谱数据的特点,提出一种空间光谱重组合模块,对数据进行预处理;建立空间光谱重组合模块,空间光谱重组合模块将高光谱数据中一个像素的数据由原来的一维数据变为二维数据,并且对变换后的数据的光谱带进行了移动,使得原本不相邻的光谱带变得临近,并在网络学习的过程中被一起考虑;另外,同时考虑了与该像素邻近的其他像素,并将这些额外的提供的信息作为提高中心像元分类精度的辅助信息;最后将处理后的数据输出给高光谱图像分类网络;S2,改进Swin
‑
Transformer网络,在网络中增添跨层融合模块,避免层间前馈过程中信息丢失;通过将网络中当前层的输出与上一层的输出进行融合,实现信息由浅层到深层的传递,从而避免了有效信息在前馈过程中的丢失;跨层融合模块由下采样操作和全连接层组成;下采样操作改变了特征图的大小,而全连接层改变了特征图的通道;最后,将残差连接的输出与基本块的输出进行融合;S3,将空间光谱重组合模块插入到改进后的Swin
‑
Transformer网络中,并以公开的高光谱图像数据作为训练数据,训练过程如下:首先对数据进行可视化,以不同颜色代表待分类的不同类别,选取部分像素点作为Swin
‑
Transformer模型的训练数据,剩下所有经过标注的部分作为测试数据;然后训练数据在经过空间光谱重组合模块处理后输入改进的Swin
‑
Transformer模型进行多轮训练,训练结束后在测试集上对模型进行评估,并对模型的超参数进行微调后重新进行训练;最后对比多组实验结果,得到鲁棒性强,泛化能力好,精度高的模型。2.根据权利要求1所述的一种基于改进的Swin
‑
Transformer网络的高光谱图像分类方法,其特征在于:S1中空间光谱重组合模块的处理流程如下:S11,根据高光谱数据的通道数计算重组后数据的宽度和高度;公式如下:其中C为高光谱数据的通道数;S12,在原始数据的基础上对相邻通道进行移动,将所有通道向右移动一个单位,同时将最后一个通道移动到第一位;将所有通道向右移动两个单位,同时将最后两个通道移动到第一和第二位;重复以上操作,对通道进行n次移动;S13,将通道移动后的高光谱数据沿着通道维度进行展开,得...
【专利技术属性】
技术研发人员:景维鹏,李超,康佩伦,陈广胜,谷俊涛,
申请(专利权)人:黑龙江省网络空间研究中心,
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。