【技术实现步骤摘要】
本专利技术涉及高光谱波段选择，特别涉及一种基于空谱双注意力分支的高光谱波段选择方法。
技术介绍
1、高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术有机结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。由于高光谱的成像特性和蕴含的丰富空间、光谱信息，其能够获得近似连续的地物信息，在遥感探测领域有着突出的应用。而随着近些年来高光谱成像技术的快速发展，它在越来越多的民用领域得到广泛的应用，如食品安全、医学诊断、航天领域等。但是高光谱的成像机制决定了其会产生巨大的数据量，异常庞大的数据量给数据的计算、传输、处理和存储造成了极大的困难，由此产生的高计算成本亦使得快速机载处理异常困难。此外，过多的光谱波段中包含了噪声和冗余信息，在一定程度上影响了图像处理的效果，且高维特征会带来“休斯现象”，即在固定少量训练样本的情况下，随着高光谱数据维数的增加高光谱图像的分类精度反而降低。因此，在对高光谱图像进行处理前，对其进行降维处理就非常重要。
2、高光谱降维主要有特征提取和特征选择两种hsi(hyperspectral image，高光谱图像)降维方法。特征提取通过线性或非线性变换将光谱数据从原始高维空间映射到低维空间。代表性方法包括正交子空间投影(osp,orthogonal subspace projection)、主成分分析(pca,principal component analysis)、线性判别分析(lda,linear discriminantanalysis)、局
3、波段选择方法主要可以分为滤波器、包装器和嵌入式三类。滤波方法利用输入数据中包含的信息，预先定义评估标准来衡量光谱波段的质量。滤波器的广泛性质使其能适用于所有情况，具有很好的泛化能力，但通常得到的分类结果要比其他方法差。peng等人提出了最小冗余最大相关性(mrmr,max-relevance and min-redundancy)方法，以最大化单个特征和目标类之间的相关性，并最小化特征之间的冗余，从而实现最大相关性标准。包装器方法根据候选波段子集在分类器中的预测准确性来评估其性能。包装方法的分类性能通常比滤波法更好。但由于搜索和选择过程会根据诱导器的特定特性进行调整，包装法往往只在某些特定任务或特定系统中表现较好。此外，每个候选波段子集都需要在分类器上进行训练，这使得包装法需要耗费大量的时间。在嵌入式方法中，将波段选择内置于分类器中，当分类器训练完成时即可获得最佳波段子集。通常而言，嵌入式方法比包装方法更高效，比滤波法的分类性能好。
4、上述方法在高光谱波段选择方面仍存在许多问题，需要解决。针对高光谱图像数据量庞大、计算和储存成本高、在高光谱图像处理过程中可能会出现休斯现象等问题，专利技术了一种基于空谱双注意力分支的高光谱波段选择方法对高光谱图像进行降维处理。
技术实现思路
1、本专利技术提供了一种基于空谱双注意力分支的高光谱波段选择方法，其目的是为了解决
技术介绍
中高光谱图像数据量庞大、计算和储存成本高、在高光谱图像处理过程中可能会出现的休斯现象的技术问题。
2、为了达到上述目的，本专利技术提供的一种基于空谱双注意力分支的高光谱波段选择方法，包括如下步骤：
3、步骤s1、对高光谱图像数据集进行预处理，构建无标签的高光谱图像训练样本子集；
4、步骤s2、构建空谱双注意力分支网络，将步骤s1中所述无标签的高光谱图像训练样本子集打乱顺序并输入到空谱双注意力分支网络中，融合空间注意力特征图和光谱注意力特征图得到空谱注意力特征图；
5、步骤s3、构建重建网络模型，利用对波段重新加权后的空谱注意力特征图，重建出高光谱图像；
6、步骤s4、通过降低重建的高光谱图像和原始高光谱图像之间的误差，来优化训练步骤s2中所述的空谱双注意力分支网络，得到优化训练后的空谱双注意力分支网络；
7、步骤s5、构建复合波段子集选择指标，利用步骤s4中所述的优化训练后的空谱双注意力分支网络，输入步骤s3中所述重建的高光谱图像，得到空谱注意力特征图，计算重新加权后各个波段的指标分数并据此进行排序，选择排名靠前的波段作为波段子集；
8、步骤s6、对步骤s5中的波段子集的性能进行测试。
9、优选地，所述步骤s1具体包含如下步骤：
10、对高光谱图像数据集进行预处理，构建无标签的高光谱图像训练样本子集
11、步骤s11、获得高光谱图像数据集x∈rh×w×b，其中h为高光谱图像的高度，w为高光谱图像的宽度，b为高光谱图像的波段数，h、w为空间维度，b为光谱维度；
12、步骤s12、对高光谱图像数据集中的高光谱图像进行预处理，在原始高光谱图像中以像素为中心提取大小为s×s的邻近区域，获得无标签的高光谱图像训练样本子集；
13、即其中xi为无标签的高光谱图像训练样本子集中的第i个图像，h为原始高光谱图像的高度，w为原始高光谱图像的宽度，s×s为样本子集的空间大小，b为原始高光谱图像的波段数。
14、优选地，所述步骤s2具体包含如下步骤：
15、步骤s21、构建空间注意力分支网络，将无标签的高光谱图像训练样本子集输入到空间注意力分支网络中，得到空间注意力特征图mspatial；
16、步骤s22、构建光谱注意力分支网络，将无标签的高光谱图像训练样本子集输入到光谱注意力分支网络中，得到光谱注意力特征图mspectral；
17、步骤s23、将步骤s21中通过空间注意力分支网络提取得到的高光谱图像的空间特征mspatial，和步骤s22中通过光谱注意力分支网络提取得到的高光谱图像的光谱注意力特征图mspectral进行融合，得到空谱注意力特征图mspatial-spectral。
18、优选地，所述步骤s21具体包含如下步骤：
19、步骤s211、构建空间注意力分支网络；
20、空间注意力分支网络包括依次连接的3d卷积层，聚合模块osa(one-shotaggregation,只聚集一次)，3d反卷积层和位置注意力模块；所述聚合模块osa包括多个归一化层(batch normalization层，简称为bn层)、激活函数及3d卷积层；
21、通过空间注意力分支网络提取得到空间注意力特征图ms本文档来自技高网...
【技术保护点】
1.一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤S1具体包含如下步骤：
3.根据权利要求1所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤S2具体包含如下步骤：
4.根据权利要求3所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤S21具体包含如下步骤：
5.根据权利要求4所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤S22具体包含如下步骤：
6.根据权利要求3所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤S23具体为：
7.根据权利要求1所述的基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤S3具体包含如下步骤：
8.根据权利要求1所述的基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤S4具体包含如下步骤：
9.根据权利要求1所述的基于空谱双
10.根据权利要求1所述的基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤S6具体包含如下步骤：
...【技术特征摘要】
1.一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤s1具体包含如下步骤：
3.根据权利要求1所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤s2具体包含如下步骤：
4.根据权利要求3所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤s21具体包含如下步骤：
5.根据权利要求4所述的一种基于空谱双注意力分支的高光谱波段选择方法，其特征在于，所述步骤s22具体包含如下步骤：
【专利技术属性】
技术研发人员：王耀南，胡万杰，张辉，毛建旭，朱青，陈煜嵘，尹阿婷，苏学叁，赵禀睿，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
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。