一种高光谱开放集分类方法及系统技术方案

本发明专利技术公开了一种高光谱开放集分类方法及系统，涉及高光谱图像开放集分类领域技术领域

【技术实现步骤摘要】
一种高光谱开放集分类方法及系统


[0001]本专利技术涉及高光谱图像开放集分类领域
，尤其涉及一种高光谱开放集分类方法及系统
。

技术介绍

[0002]高光谱遥感影像可以探测到数十甚至上百个波段，其光谱分辨率可以达到纳米级别，收集到的光谱信息远多于其他影像，因此在分类应用中能够提供区分相似物质的光谱细节
。
高分辨率遥感就是对遥感数据的质量和数量要求很高的遥感技术
。
如卫星影像的地面分辨率由
10m、5m、2m、1m、
甚至
0.6m
逐步提高
。
这种影像比普通影像包含更多地物的几何结构与细节特征，是实现地物精细化观察的良好数据源
。
[0003]在目前的分类方法中，对高光谱图像的分类都是在基于“封闭集”的前提下进行的，也就是在要进行分类的图像中的像素点都是完整的已知类别并且每一个都可以用现有已知标记值去进行标记分类的假设下进行的
。
如果一个实例本身不属于任何一个类别，这个实例会被当成背景忽略掉，因此并不会影响分类精度
。
但是这个实例如果是一个新的类别，就会导致错误的正类，从而降低模型的精度；如果很多的属于新的类别的实例被分类成已知类别，已知类别的估计范围和数量将会大大的增加
。
[0004]在现实生活中，特别是对于高光谱图像，地物种类复杂，不可能去定义一张图像中的所有类别，使所有的实例都是包含在已知的标注值中
。
例如在进行人工标注收集真值图的过程中
。
由各种原因的限制，比如利用高光谱图像改进地块作物分类中一些远离公路网络的道路被不可避免的忽略掉，因此在对收集到的样本进行网络训练的过程中，可能面对到不属于任何一个已知类的未知类的分类情况
。
目前的分类模型对于高光谱图像分类的精度是不够的，理想的模型应该对未知的类别进行正确的分类，告诉我们哪些是已知和未知的类
。
如何解决“开放集”的问题，使得设计的识别系统能够对在训练阶段没有预计到的未知事物和事件有具有一定的容忍度，具有实际应用的研究价值
。

技术实现思路

[0005]有鉴于现有技术的上述缺陷，本专利技术提供了一种高光谱开放集分类方法及系统，增强了图像特征识别能力，能够更好地提取与未知类别相关的空间和通道特征，结合重建损失和
EVT
分类方法识别未知，有效的处理了未知类和提高了已知类的分类精度
。
[0006]本专利技术提一方面提供了一种高光谱开放集分类方法，包括如下步骤：
[0007]S1、
高光谱图像通过多个图像特征提取层得到高光谱的最终图像特征，所述图像特征提取层通过融合注意力机制的稠密连接块提取该层图像特征；
[0008]S2、
步骤
S1
提取的最终高光谱的图像特征通过逐层图像重建处理得到主路重建图像，各层图像处理后的重建特征图分别经反卷积支路处理后与主路重建图像叠加融合得到最终重建图像；
[0009]S3、
根据所述最终重建图像和原图像获取重建损失，根据重建损失和
EVT
算法判断
所述高光谱图像是否为已知类；
[0010]S4、
对判定为已知类的高光谱图像进行分类，输出分类结果
。
[0011]进一步的，高光谱图像通过多个图像特征提取层得到高光谱的最终图像特征的方法包括：将高光谱图像输入第一个图像特征提取层中得到第一个图像特征，将第一个图像特征作为下一图像特征提取层图像特征提取层的输入，经依次逐层提取得到最终图像特征
。
[0012]进一步的，所述图像特征提取层提取图像特征的方法包括：通过稠密连接块传递各特征提取层之间的信息，建立各特征提取层之间的连接关系；通过深度可分离卷积分割空间维度和信道维度之间的相关性后经注意力机制得到高光谱的图像特征
。
[0013]进一步的，步骤
S3
所述重建损失
l
r
(Q,Q
r
)
为：
[0014]l
r
(Q,Q
r
)
＝
MSE||Q
‑
Q
r
||1；
[0015]其中，
Q
r
为最终重建图像，
Q
为原始高光谱图像
。
[0016]进一步的，根据重建损失和
EVT
算法判断所述高光谱图像是否为已知类的方法包括：
[0017]以所述重建损失作为输入变量，将总的重建图像的每个像素点作为随机变量，通过
EVT
模型得到每个像素点的概率；
[0018]设定分类阈值，当像素点的概率大于所述分类阈值时，判定该像素点为未知类别，若像素点的概率小于等于分类阈值时，判定该像素点为已知类
。
[0019]进一步的，所述像素点的概率为：
[0020][0021]本专利技术第二方面提供了一种高光谱开放集分类系统，用以实现所述的高光谱开放集分类方法，包括：
[0022]特征提取单元，包括若干依次级联的特征提取模块用以得到高光谱的最终图像特征，所述特征提取模块包括融合注意力机制的稠密连接块，用以提取该层图像特征
[0023]图像重建网络单元，包括重建主路和若干重建支路，所述重建主路由若干依次级联的图像重建模块构成，通过重建主路得到主路重建图像；各重建模块输出的图像分别通过重建支路的反卷积处理后与主路重建图像叠加融合得到最终重建图像；
[0024]类别识别单元，根据所述重建图像和原图像获取重建损失，所述重建损失通过
EVT
算法判断所述高光谱图像是否为已知类；
[0025]分类单元，对判定为已知类的高光谱图像进行分类，输出分类结果
。
[0026]进一步的，所述特征提取模块包括级联的稠密连接块
、
深度可分离卷积模块和注意力机制模块
。
[0027]进一步的，所述图像重建网络单元中的重建支路中包括反卷积模块，各支路的反卷积模块的卷积核大小不同
。
[0028]本专利技术与现有技术相比，具有以下技术效果：
[0029]本专利技术的特征提取单元采用级联的融合注意力机制的稠密连接块的网络结构，利用稠密连接网络模型结构，建立不同层之间的连接关系，充分利用特征，减轻梯度消失问题
。
另外引入深度可分离卷积改进注意力机制模型，深度可分离卷积通过拆分空间维度和
通道
(
深度
)
维度的相关性，其可以有选择地聚焦于空间和通道维度上的重要特征，增强空间维和通道维的注意力分配，能够充分提取包含小目标和微妙光谱差异的高光谱图像中的小目标特征信息，通过关注这些重要的特征，可以实现更高的精度和更好的泛化性能，提升前向传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种高光谱开放集分类方法，其特征在于，包括如下步骤：
S1、
高光谱图像通过多个图像特征提取层得到高光谱的最终图像特征，所述图像特征提取层通过融合注意力机制的稠密连接块提取该层图像特征；
S2、
步骤
S1
提取的最终高光谱的图像特征通过逐层图像重建处理得到主路重建图像，各层图像处理后的重建特征图分别经反卷积支路处理后与主路重建图像叠加融合得到最终重建图像；
S3、
根据所述最终重建图像和原图像获取重建损失，根据重建损失和
EVT
算法判断所述高光谱图像是否为已知类；
S4、
对判定为已知类的高光谱图像进行分类，输出分类结果
。2.
根据权利要求1所述一种高光谱开放集分类方法，其特征在于，高光谱图像通过多个图像特征提取层得到高光谱的最终图像特征的方法包括：将高光谱图像输入第一个图像特征提取层中得到第一个图像特征，将第一个图像特征作为下一图像特征提取层图像特征提取层的输入，经依次逐层提取得到最终图像特征
。3.
根据权利要求2所述一种高光谱开放集分类方法，其特征在于，所述图像特征提取层提取图像特征的方法包括：通过稠密连接块传递各特征提取层之间的信息，建立各特征提取层之间的连接关系；通过深度可分离卷积分割空间维度和信道维度之间的相关性后经注意力机制得到高光谱的图像特征
。4.
根据权利要求1所述一种高光谱开放集分类方法，其特征在于，步骤
S3
所述重建损失
l
r
(Q,Q
r
)
为：
l
r
(Q,Q
r
)
＝
MSE||Q
‑
Q
r
||1；其中，

【专利技术属性】
技术研发人员：王爱丽，周华明，吴海滨，徐恺阳，刘城洋，戴诗语，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：