一种基于自注意的农业高光谱图像分类方法及设备技术

本发明专利技术提供了一种基于自注意的农业高光谱图像分类方法及设备，其方法包括：基于光谱数据处理模块对待识别农业高光谱图像进行前处理，获得备用高光谱图像；基于空间光谱自注意模块对备用高光谱图像进行空间维度和光谱维度的自注意学习，获得空间光谱特征；基于多尺度自注意光谱特征融合模块对空间光谱特征进行多尺度的光谱维度的自注意学习，获得增强语义特征；基于双分支语义特征提取模块对增强语义特征进行处理，对应获得空间语义特征和光谱语义特征；基于自适应融合模块对空间语义特征和光谱语义特征进行自适应融合处理，获得分类结果

【技术实现步骤摘要】
一种基于自注意的农业高光谱图像分类方法及设备


[0001]本专利技术涉及高光谱图像分类
，具体涉及一种基于自注意的农业高光谱图像分类方法及设备
。

技术介绍

[0002]农业高光谱图像分类技术是一种基于遥感技术和人工智能的图像处理技术，用于对农田或植被进行分类和监测
。
它结合了高光谱遥感技术和计算机视觉算法，能够提供详细的
、
多波段的农田信息
。
传统的遥感技术通常使用几个波段的信息来捕捉地物的特征，而高光谱遥感技术则可以获取更多的波段信息
。
高光谱图像可以提供比普通彩色图像更细微的光谱特征，对于农业研究和监测非常有价值
。
且随着深度学习方法的成熟，研究人员提出了各种技术和方法提高高光谱图像的分类效果
。
[0003]由于农业场景中存在的高光谱相似性和显著的空间相关性，现有的针对一般场景设计的高光谱图像分类模型并不适用于农业高光谱图像分类，具体地：
(1)
光谱混杂，即：在农业高光谱图像中，不同土地覆盖类别之间的光谱特征相似，边界划分不明确；
(2)
空间混杂
。
即：不同作物之间的边界往往缺乏明确的界限，并在一定的范围内进行空间混合
。
上述农业高光谱图像的特点导致使用现有的高光谱图像分类技术对农业高光谱图像进行分类时，鲁棒性较差
。
[0004]因此，急需提出一种基于自注意的农业高光谱图像分类方法及设备，解决现有技术中存在的对农业高光谱图像进行分类时，鲁棒性较差的技术问题
。

技术实现思路

[0005]有鉴于此，有必要提供一种基于自注意的农业高光谱图像分类方法及设备，用以解决现有技术中存在的对农业高光谱图像进行分类时，鲁棒性较差的技术问题
。
[0006]一方面，本专利技术提供了一种基于自注意的农业高光谱图像分类方法，用于基于训练完备的高光谱图像分类模型确定待识别农业高光谱图像的分类结果，所述高光谱图像分类模型包括光谱数据处理模块
、
空间光谱自注意模块
、
多尺度自注意光谱特征融合模块
、
双分支语义特征提取模块以及自适应融合模块；
[0007]所述基于自注意的农业高光谱图像分类方法包括：
[0008]基于所述光谱数据处理模块对待识别农业高光谱图像进行前处理，获得备用高光谱图像；
[0009]基于所述空间光谱自注意模块对所述备用高光谱图像进行空间维度和光谱维度的自注意学习，获得空间光谱特征；
[0010]基于所述多尺度自注意光谱特征融合模块对所述空间光谱特征进行多尺度的光谱维度的自注意学习，获得增强语义特征；
[0011]基于所述双分支语义特征提取模块对所述增强语义特征分别进行一维空间自注意学习和一维光谱自注意学习，对应获得空间语义特征和光谱语义特征；
[0012]基于所述自适应融合模块对所述空间语义特征和所述光谱语义特征进行自适应融合处理，获得所述分类结果
。
[0013]在一些可能的实现方式中，所述空间光谱自注意模块包括深度注意力权重确定子模块
、
高度注意力权重确定子模块以及宽度注意力权重确定子模块；
[0014]所述基于所述空间光谱自注意模块对所述备用高光谱图像进行空间维度和光谱维度的自注意学习，获得空间光谱特征，包括：
[0015]基于所述深度注意力权重确定子模块对所述备用高光谱图像进行沿深度方向的光谱维度的自注意学习，获得深度注意力权重；
[0016]基于所述高度注意力权重确定子模块对所述备用高光谱图像进行沿高度方向的光谱维度的自注意学习，获得高度注意力权重；
[0017]基于所述宽度注意力权重确定子模块对所述备用高光谱图像进行沿宽度方向的光谱维度的自注意学习，获得宽度注意力权重；
[0018]基于所述备用高光谱图像
、
所述深度注意力权重
、
所述高度注意力权重以及所述宽度注意力权重获得所述空间光谱特征
。
[0019]在一些可能的实现方式中，所述深度注意力权重确定子模块包括第一三维卷积单元
、
第二三维卷积单元
、
第三三维卷积单元；
[0020]所述基于所述深度注意力权重确定子模块对所述备用高光谱图像进行沿深度方向的光谱维度的自注意学习，获得深度注意力权重，包括：
[0021]获取三维查询向量，并基于所述第一三维卷积单元和所述三维查询向量对所述备用高光谱图像进行卷积处理，获得三维查询矩阵；
[0022]获取三维键向量，并基于所述第二三维卷积单元和所述三维键向量对所述备用高光谱图像进行卷积处理，获得三维键矩阵；
[0023]获取三维值向量，并基于所述第三三维卷积单元和所述三维值向量对所述备用高光谱图像进行卷积处理，获得三维值矩阵；
[0024]对所述三维查询矩阵
、
所述三维键矩阵和所述三维值矩阵进行融合处理，获得所述深度注意力权重
。
[0025]在一些可能的实现方式中，所述多尺度自注意光谱特征融合模块包括二维卷积单元
、
第一光谱自注意单元
、
第一特征压缩单元
、
第二光谱自注意单元
、
第二特征压缩单元
、
第三光谱自注意单元
、
第三特征压缩单元；
[0026]所述基于所述多尺度自注意光谱特征融合模块对所述空间光谱特征进行多尺度的光谱维度的自注意学习，获得增强语义特征，包括：
[0027]基于所述二维卷积单元对所述空间光谱特征进行卷积处理，获得二维特征图；
[0028]基于第一光谱自注意单元对所述二维特征图进行自注意学习，获得第一注意力权重；
[0029]基于所述第一特征压缩单元对所述二维特征图进行压缩，获得第一压缩特征图；
[0030]基于第二光谱自注意单元对所述第一压缩特征图进行自注意学习，获得第二注意力权重；
[0031]基于所述第二特征压缩单元对所述第一压缩特征图进行压缩，获得第二压缩特征图；
[0032]基于第三光谱自注意单元对所述第二压缩特征图进行自注意学习，获得第三注意力权重；
[0033]基于所述第三特征压缩单元对所述第二压缩特征图进行压缩，获得第三压缩特征图；
[0034]对所述第一注意力权重
、
所述第二注意力权重
、
所述第三注意力权重以及所述第三压缩特征图进行融合处理，获得所述增强语义特征
。
[0035]在一些可能的实现方式中，所述第一光谱自注意单元包括第一一维卷积单元
、
第二一维卷积单元
、
第三一维卷积单元；
[0036]所述基于第一光谱自注意单元对所述二维特征图进行自注意学习，获得第一注意力权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于自注意的农业高光谱图像分类方法，其特征在于，用于基于训练完备的高光谱图像分类模型确定待识别农业高光谱图像的分类结果，所述高光谱图像分类模型包括光谱数据处理模块
、
空间光谱自注意模块
、
多尺度自注意光谱特征融合模块
、
双分支语义特征提取模块以及自适应融合模块；所述基于自注意的农业高光谱图像分类方法包括：基于所述光谱数据处理模块对待识别农业高光谱图像进行前处理，获得备用高光谱图像；基于所述空间光谱自注意模块对所述备用高光谱图像进行空间维度和光谱维度的自注意学习，获得空间光谱特征；基于所述多尺度自注意光谱特征融合模块对所述空间光谱特征进行多尺度的光谱维度的自注意学习，获得增强语义特征；基于所述双分支语义特征提取模块对所述增强语义特征分别进行一维空间自注意学习和一维光谱自注意学习，对应获得空间语义特征和光谱语义特征；基于所述自适应融合模块对所述空间语义特征和所述光谱语义特征进行自适应融合处理，获得所述分类结果
。2.
根据权利要求1所述的基于自注意的农业高光谱图像分类方法，其特征在于，所述空间光谱自注意模块包括深度注意力权重确定子模块
、
高度注意力权重确定子模块以及宽度注意力权重确定子模块；所述基于所述空间光谱自注意模块对所述备用高光谱图像进行空间维度和光谱维度的自注意学习，获得空间光谱特征，包括：基于所述深度注意力权重确定子模块对所述备用高光谱图像进行沿深度方向的光谱维度的自注意学习，获得深度注意力权重；基于所述高度注意力权重确定子模块对所述备用高光谱图像进行沿高度方向的光谱维度的自注意学习，获得高度注意力权重；基于所述宽度注意力权重确定子模块对所述备用高光谱图像进行沿宽度方向的光谱维度的自注意学习，获得宽度注意力权重；基于所述备用高光谱图像
、
所述深度注意力权重
、
所述高度注意力权重以及所述宽度注意力权重获得所述空间光谱特征
。3.
根据权利要求2所述的基于自注意的农业高光谱图像分类方法，其特征在于，所述深度注意力权重确定子模块包括第一三维卷积单元
、
第二三维卷积单元以及第三三维卷积单元；所述基于所述深度注意力权重确定子模块对所述备用高光谱图像进行沿深度方向的光谱维度的自注意学习，获得深度注意力权重，包括：获取三维查询向量，并基于所述第一三维卷积单元和所述三维查询向量对所述备用高光谱图像进行卷积处理，获得三维查询矩阵；获取三维键向量，并基于所述第二三维卷积单元和所述三维键向量对所述备用高光谱图像进行卷积处理，获得三维键矩阵；获取三维值向量，并基于所述第三三维卷积单元和所述三维值向量对所述备用高光谱图像进行卷积处理，获得三维值矩阵；
对所述三维查询矩阵
、
所述三维键矩阵和所述三维值矩阵进行融合处理，获得所述深度注意力权重
。4.
根据权利要求1所述的基于自注意的农业高光谱图像分类方法，其特征在于，所述多尺度自注意光谱特征融合模块包括二维卷积单元
、
第一光谱自注意单元
、
第一特征压缩单元
、
第二光谱自注意单元
、
第二特征压缩单元
、
第三光谱自注意单元以及第三特征压缩单元；所述基于所述多尺度自注意光谱特征融合模块对所述空间光谱特征进行多尺度的光谱维度的自注意学习，获得增强语义特征，包括：基于所述二维卷积单元对所述空间光谱特征进行卷积处理，获得二维特征图；基于第一光谱自注意单元对所述二维特征图进行自注意学习，获得第一注意力权重；基于所述第一特征压缩单元对所述二维特征图进行压缩，获得第一压缩特征图；基于第二光谱自注意单元对所述第一压缩特征图进行自注意学习，获得第二注意力权重；基于所述第二特征压缩单元对所述第一压缩特征图进行压缩，获得第二压缩特征...

【专利技术属性】
技术研发人员：陈亚雄，张波，熊盛武，
申请(专利权)人：武汉理工大学三亚科教创新园，
类型：发明
国别省市：