基于双分支网络的光谱-空间注意力机制的高光谱图像分类方法技术

本发明专利技术涉及一种基于双分支网络的光谱

【技术实现步骤摘要】
基于双分支网络的光谱
‑
空间注意力机制的高光谱图像分类方法


[0001]本专利技术涉及图像处理
、
特征提取
、
光谱特征选择以及视觉注意
，尤其是一种基于双分支网络的光谱
‑
空间注意力机制的高光谱图像分类方法
。

技术介绍

[0002]高光谱图像分类是遥感图像处理和分析领域中的一个重要任务，以其丰富的空间特征和光谱特征，成为遥感领域的研究热点
。
然而，高光谱图像分类的主要难点在于数据量巨大，波段相关性强，同时伴随着高维数据的冗余性和噪声，导致分类准确度低
。
[0003]传统的机器学习方法来进行高光谱图像分类，如支持向量机
(SVM)、
最近邻
(K
‑
Nearest Neighbor
，
KNN)
等方法在处理高光谱图像分类时存在一些限制，这些方法往往需要手工进行特征的提取，且无法充分利用高光谱图像的光谱信息和空间信息
。
[0004]随着深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于双分支网络的光谱
‑
空间注意力机制的高光谱图像分类方法，该方法包括下列顺序的步骤：
(1)
输入高光谱图像数据立方体
I∈R
H
×
W
×
B
，其中
H、W、B
分别表示
i
的长度
、
宽度和光谱维数；
(2)
使用主成分分析
PCA
将高光谱图像的光谱维数
B
降维为
c
，降维后，对于要分类的像素
P
，将其封装成相邻区域块
X
spe
作为光谱子网络的输入；同时，在每个特定像素周围创建一个相邻区域
X
spa
来收集空间信息，并作为空间子网络的输入，相邻区域
X
spa
的大小为
w
×
w
×
c
，
w
×
w
表示空间大小；
(3)
将相邻区域块
X
spe
输入光谱子网络，经过三个三维卷积层
、
一个二维卷积层
、
一个通道注意力机制模块和三个全连接层，最终得到一维光谱特征；
(4)
将相邻区域
X
spa
输入空间子网络，经过一个空间注意残差模块
、
两个二维卷积层
、
两个最大池化层和一个全连接层，最终得到一维空间特征；
(5)
通过融合层对一维光谱特征和一维空间特征进行融合和平衡，使用
softmax
回归层来预测每一类地物的概率分布
。2.
根据权利要求1所述的基于双分支网络的光谱
‑
空间注意力机制的高光谱图像分类方法，其特征在于：所述步骤
(3)
具体包括以下步骤：
(3a)
将相邻区域块
X
spe
输入光谱子网络，对相邻区域块
X
spe
依次进行三维卷积操作，三维卷积核的大小分别是3×3×
7、3
×3×5和5×5×3，加上偏置项，并使用
ReLU
激活函数进行激活，通过三维卷积，最终生成涵盖光谱空间信息的特征立方体；
(3b)
对特征立方体进行重新排列，作为二维卷积层的输入，使用3×3的卷积核对重塑后的特征图进行卷积操作，得到一个
64
通道的特征图，然后使用
ReLU
激活函数进行激活；
(3c)
在二维卷积层之后引入通道注意力机制模块，输入特征图大小为
X
spe
∈R
s
×
s
×
d
，其中
s
×
s
表示空间大小，
d
表示通道数；特征图经过全局平均池化，压缩成特征向量
[1
，1，
d]
；然后通过一个全连接层将池化结果映射为原特征通道数大小的即其中
ratio
为比率，使用
ReLU
激活函数激活该全连接层的输出，再通过一个全连接层将输出映射回原特征通道数大小，经过
Sigmoid
激活函数转化为一个限制在0和1之间的归一化权重向量；最后，将原特征图与归一化权重逐通道相乘，得到加权后的特征图并将其展开成一维向量；
(3d)
依次使用
1024、512、256
个神经元的三个全连接层对一维向量进行线性变换，并使用
ReLU
激活函数进行激活，最终得到一维光谱特征
。3.
根据权利要...

【专利技术属性】
技术研发人员：赵晋陵，吴柯柯，黄林生，阮超，雷雨，黄文江，梁栋，
申请(专利权)人：安徽大学，
类型：发明
国别省市：