【技术实现步骤摘要】
基于空间
‑
光谱自适应学习和像素级滤波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,具体涉及一种基于空间
‑
光谱自适应学习和像素级滤波的高光谱图像分类方法。
技术介绍
[0002]高光谱图像因其丰富的空间信息和数百个连续窄带的光谱信息而在遥感领域受到极大关注。因此,高光谱图像包含的信息可以用来表示物体的分布和区分类别。近年来,高光谱技术广泛应用于各种领域,如地球观测、资源管理、化学成像和环境监测。高光谱图像分类的目的是预测每个像素点的类别。
[0003]在过去,大量的方法使用手工制作的特征来实现HSI分类。然而,传统的特征提取方法是基于数据特征本身的设计,因此不能匹配不同类型的数据。而深度学习模型以端到端方式进行训练,能够学习不同类型的输入数据的特征,并输出预测结果来完成高光谱图像分类任务。在早期阶段,人们的注意力集中在高光谱图像的光谱信息上,并提出了大量的基于像素点向量的方法用于高光谱图像分类。然而,有研究表明,考虑空间信息可以进一步提高分类的准确性。一些方法将注意力集中在光谱或空间维度,并通过注意力加权的特征实现高光谱图像分类。
[0004]然而,上述方法主要对空间邻域或整个空间范围的特征展开研究,而不是在像素级的尺度上。事实上,每一个高光谱图像的像素都包含丰富的、有判别性的特征,即像素级特征。像素级特征可以被看作是描述所有空间上的全局信息的像素。因此,充分利用所有空间像素点中所包含的信息可以提高高光谱图像中的边缘和不容易区分的区域的分类精度
【技术保护点】
【技术特征摘要】
1.一种基于空间
‑
光谱自适应学习的像素级滤波的高光谱图像分类方法,其特征在于,包括以下步骤:第一步,设计一个空间
‑
光谱像素级别特征提取网络,输入为高光谱图像块,经过多层卷积结构获得判别性的特征图;第二步,构造一个过完备的由多个滤波基组成的字典,用于组成每个像素点对应的滤波核;第三步,使用经处理后的第一步的特征作为指导,针对像素点自适应地选择滤波核;第四步,利用第三步选择的像素点级别的滤波核对被滤波的高光谱图像实现滤波操作;第五步,对滤波后的高光谱特征图送入全连接层,经分类器得到最终像素点的类别预测。2.根据权利要求1所述的基于空间
‑
光谱自适应学习的像素级滤波的高光谱图像分类方法,其特征在于,第一步引入注意力机制,通过空间
‑
光谱像素级别特征提取过程学习所有像素点的特征,具体过程为:(1)设计一个空间
‑
光谱像素级别特征提取网络,它由4个阶段组成,每个阶段分别包含3,4,6,3个瓶颈块;对于每个瓶颈块,由三个卷积层和一个空间
‑
光谱像素级特征提取过程组成;定义空间
‑
光谱像素级特征提取过程的输入数据为X,那么定义该过程特征函数如下:X
bottleneck,i
=SSP(X
bottle,i
;θ
s
)其中,X
bottle,i
表示输入的特征图,SSP(X
bottle,i
;θ
s
),即X
bottleneck,i
表示经空间
‑
光谱像素级特征提取过程的输出特征图,θ
s
为参数,i表示每个阶段包含的瓶颈块的数量;(2)引入注意力机制,用于学习空间
‑
光谱判别性的特征,步骤如下:
①
将输入特征图X
group
经global average pooling操作,即通过对每个通道压缩空间维度来保持通道信息的完整性:其中,S为X
group
的空间长/宽,X
GAP
为经GAP操作的输出特征;
②
使用通道注意力机制,学习跨通道的注意力加权交互信息:其中,表示核大小为1
×1×
k的3
‑
D卷积操作,X
spectral
为加权后的通道注意力特征,表示按照特征图的通道维度进行乘积运算,σ表示sigmoid激活函数;
③
使用空间注意力机制,学习空间维度的注意力加权特征:其中,f7×7表示核大小为7
×
7...
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。