基于空间-光谱混合自注意力机制的高光谱图像分类方法技术

本发明专利技术公开了基于空间

【技术实现步骤摘要】
基于空间
‑
光谱混合自注意力机制的高光谱图像分类方法


[0001]本专利技术涉及基于空间
‑
光谱混合自注意力机制的高光谱图像分类方法，特别涉及一种遥感技术相关的高光谱图像分类方法，属于图像处理


技术介绍

[0002]高光谱图像是由卫星或其他空中载具上搭载的高光谱成像仪对地面进行拍摄和成像得到的数据，不同于生活中常见的三通道图像，高光谱图像可以提供更为丰富的光谱信息来弥补传统图像数据光谱分辨率的不足。高光谱遥感作为当前遥感技术发展的一个前沿领域，越来越显现出其巨大的应用潜力，高光谱图像广泛应用于农业、地质勘探、环境监测、医学影像等领域，并展现出其独有的优势。其目标是对高光谱图像中的像素进行分类，将其归为不同的地物类别。高光谱图像分类是一项具有挑战性的任务，因为高光谱图像数据的维度高、数据量大、特征空间复杂，传统的图像分类算法往往难以处理这些数据。
[0003]传统的高光谱图像分类方法通常采用手工特征提取和分类器训练的方法。这种方法需要依靠专家先验知识来设计特征提取算法，然后利用分类器对提取的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于空间
‑
光谱混合自注意力机制的高光谱图像分类方法，其特征在于：包括如下步骤：Step1、准备若干通用公开的高光谱图像数据集用于网络训练；Step2、对高光谱图像进行预处理，以每个像素为中心点提取高光谱图像块，并将高光谱图像块分为不重合的高光谱训练样本集、高光谱验证样本集和高光谱测试样本集；Step3、构建基于空间
‑
光谱混合自注意力机制的高光谱图像分类网络，整个网络由一条注意力主支路和两个高光谱局部信息提取块构成；注意力主支路中包括四个高光谱通道注意力模块和四个空间
‑
光谱混合自注意力模块；最后将高光谱局部信息提取块连接到主支路上；Step4、用高光谱训练样本集对基于空间
‑
光谱混合自注意力机制的高光谱图像分类网络进行训练，并在每批次训练完成后用高光谱验证样本集对训练后的网络进行验证，检查当前方法的状态和收敛情况；Step5、将高光谱测试样本集输入训练好的基于空间
‑
光谱混合自注意力机制的高光谱图像分类网络，得到测试样本中每个像素的类别标签，完成高光谱图像分类。2.根据权利要求1所述的基于空间
‑
光谱混合自注意力机制的高光谱图像分类方法，其特征在于：所述Step2的具体步骤如下：Step2.1、高光谱图像具有三维特性，其数据表示为S∈R
H
×
W
×
C
，对原始高光谱图像四周边缘填充尺寸为n，像素值为0的像素；对填充后的图像提取高光谱图像块；Step2.2、将高光谱图像块根据其中心像素的类别归类到该图像块所属的类别集合中；Step2.3、对不同大小数据集按照不同的比例在每个类别中选取高光谱图像块作为训练集，接着选取同样比例的高光谱图像块作为验证集，最后将每个类别集合中剩余的高光谱图像块作为测试集。3.根据权利要求1所述的基于空间
‑
光谱混合自注意力机制的高光谱图像分类方法，其特征在于：所述Step3的具体步骤如下：Step3.1、搭建由二维卷积层、三维卷积层、归一化层、Relu激活函数层串联构成的高光谱局部信息提取块；Step3.2、搭建由4块高光谱通道注意力模块和4块空间
‑
光谱混合自注意力模块构成的注意力主支路。4.根据权利要求3所述的基于空间
‑
光谱混合自注意力机制的高光谱图像分类方法，其特征在于：所述Step3.2的具体步骤如下：Step3.2.1、搭建由1层压缩激励层和1层二维卷积层构成的高光谱通道注意力模块；Step3.2.2、搭建由1块空间自注意力块和1块光谱自注意力块构成的空间
‑
光谱混合自注意力模块，其中空间自注意力块由2个线性归一化层，1个空间自注意力层和1个多层感知层构成，光谱自注意力块由2个线性归一化层，1个光谱自注意力层和1个多层感知层构成。5.根据权利要求3所述的基于空间
‑
光谱混合自注意力机制的高光谱图像分类方法，其特征在于：所述Step3.1中，所述高光谱局部信息提取块包括2个二维卷积块和3个三维卷积块，所述卷积块结构固定为：卷积层
→
归一化层
→
激活函数层；高光谱局部信息提取...

【专利技术属性】
技术研发人员：舒振球，王雨阳，余正涛，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：