【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种高光谱遥感图像分类方法、系统、终端及计算机可读存储介质。
技术介绍
1、近年来，随着计算机硬件以及深度学习等技术的快速发展，高光谱遥感图像分类技术取得了长足的进步，已经获得了可接受的分类性能。高光谱遥感图像分类技术通过分析每一个像素的光谱信息与空间信息，对这个像素所属门类进行判定并标记，然后与实际地物进行对应比较，最后得出结论，实现地物目标分类。高光谱遥感图像分类技术能够区分地物特征并进行分类，在河流地图、山川地图、污染源地图等专题地图制作的领域内有着其他技术没有的优势。基于高光谱遥感图像分类后的土地规划利用，地理信息勘测等在国家发展与科技进步上有着重要的作用。
2、高光谱遥感图像分类方法通常是用深度学习的算法进行分类处理。然而，现有的高光谱遥感图像分类方法通常忽视了使用多尺度信息的重要性，随着深度学习过程的逐步深入，高光谱遥感图像的细节特征往往会大量丢失甚至消失，影响最终的分类精度。并且现有方法大部分使用图像块作为模型输入，这可能会导致大量的冗余，并降低测试阶段的处理效率。
3、因此，现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种高光谱遥感图像分类方法、系统、终端及计算机可读存储介质，旨在解决现有技术中进行高光谱遥感图像分类时忽视使用多尺度信息，导致分类精度低，处理效率不高的问题。
2、为实现上述目的，本专利技术提供一种高光谱遥感图像分类方法，所述高光谱遥感图像分类方法包括如
3、获取待分类高光谱遥感图像，对所述待分类高光谱遥感图像通过主成分分析进行降维处理，得到降维后的图像数据；
4、将降维后的图像数据输入注意力与多尺度密集网络，进行图像的空间-光谱特征提取，得到图像的空间-光谱特征图；
5、将得到的空间-光谱特征图输入到全连接层，将卷积输出的三维特征图转化成一维特征向量，并将前层计算得到的特征空间映射到样本空间；
6、利用adam优化器对提取的一维特征向量进行优化处理，利用softmax分类器对优化后一维特征向量进行分类，获得分类结果。
7、可选地，所述的高光谱遥感图像分类方法，其中，所述获取待分类高光谱遥感图像，对所述待分类高光谱遥感图像通过主成分分析进行降维处理，得到降维后的图像数据，具体包括：
8、若待分类高光谱遥感图的大小为rm×n＝(x1,x2,λ,xn)，将n维的数据特征通过线性变换映射到k维，其中，k＜n，m、n、k均为维数，xi(i＝1,2,λ,n)为所述待分类高光谱遥感图中任意一组列向量；
9、将所述待分类高光谱遥感图投影到映射空间wn×k＝(w1,w2,λ,wk)，所述待分类高光谱遥感图中的点在映射空间下的坐标为其中，w为映射空间wn×k中的基，使投影后的总方差最大：
10、
11、其中，d(x)为总方差，将d(x)展开后得到：
12、
13、其中，为所述待分类高光谱遥感图的协方差矩阵，记为λ，最终目标转化为：
14、d(x)＝max{wλλt}；
15、构造拉格朗日函数：
16、l(w)＝wtλw+λ(1-wtw)；
17、其中，λ为拉格朗日函数中的待定系数，对w求导得到：
18、λw＝λw；
19、最终得到：
20、d(x)＝wtλw＝λwtw＝λ；
21、求解出λ的前k个最大特征值所对应的特征向量，得到降维后的图像数据。
22、可选地，所述的高光谱遥感图像分类方法，其中，所述将降维后的图像数据输入注意力与多尺度密集网络，进行图像的空间-光谱特征提取，得到图像的空间-光谱特征图，具体包括：
23、将降维后的图像数据通过7×7×7的卷积核进行卷积，并进行平均池化；
24、对平均池化后的数据，在深度方向上每个瓶颈层后加入的注意力机制senet层通过密集连接网络进行图像的空间-光谱特征提取；
25、在尺度方向上，采用卷积核为3×3×3，步长为1的上采样反卷积、卷积核为1×1×1的卷积、卷积核为3×3×3，步长为1的下采样卷积对图像进行空间-光谱的低、中、高等级特征提取；
26、每个尺度上的每个senet层都将提取到的特征通过与下一个尺度中对应的senet层提取到的特征通过特征融合的方式传播给下一个深度的瓶颈层；
27、对最高尺度、最高深度的senet层输出的数据进行最大池化后得到图像的空间-光谱特征图。
28、可选地，所述的高光谱遥感图像分类方法，其中，所述瓶颈层的结构包括：卷积核为1×1×1的卷积、两个批归一化bn、两个relu激活函数和卷积核为3×3×3的卷积，在每个瓶颈层内对输入数据进行归一化；
29、所述senet层的结构包括：批归一化bn、relu激活函数、卷积核为1×1×1的卷积、注意力机制senet模型和卷积核为3×3×3的卷积。
30、可选地，所述的高光谱遥感图像分类方法，其中，所述注意力机制senet模型用于对降维后的图像数据中的特征信息进行强化；
31、对输入特征i进行挤压操作，将输入特征i通过全局平均池化操作压缩为一维向量z，一维向量z的长度等于输入特征图的通道数，一维向量z中的每一个元素代表输入特征图中的每一个通道内的特征：
32、
33、其中，fsq(i)为对输入特征i(a,b)的挤压操作，输入特征的维度为w×h×c，w为宽度，h为高度，c为通道数，输出一维向量z的维度为1×1×c；压缩后的一维向量z中包含全局感受野的特征且分离于不同通道之中；
34、对一维向量z进行激励操作，激励操作包含两个全连接层，第一个全连接层将输出一个元素数变少的一维向量，再接上一个relu激活函数，第二个全连接层输出一个维度和输入一致的一维向量，再接上一个sigmoid激活函数，激励操作通过两个全连接层中的卷积参数控制每一个通道的比重，输出s计算方式为：
35、s＝fex(z,w)＝σ(w2δ(w1z))；
36、其中，fex(z,w)为对一维向量z和参数w的激活操作，w1表示第一个全连接层中的参数，w2表示第二个全连接层中的参数，δ表示relu激活函数，σ表示sigmoid激活函数，向量s和向量z的维度保持一致。
37、可选地，所述的高光谱遥感图像分类方法，其中，所述将得到的空间-光谱特征图输入到全连接层，将卷积输出的三维特征图转化成一维特征向量，并将前层计算得到的特征空间映射到样本空间，具体包括：
38、将得到的空间-光谱特征图输入到全连接层，全连接层将最后一层卷积得到的特征图展开成一维特征向量，并为分类器提供输入；
39、其中，全连接层的激活函数使用relu激活函数，relu激活函数如下：
40、frelu(x)＝max(0,ut本文档来自技高网...
【技术保护点】
1.一种高光谱遥感图像分类方法，其特征在于，所述高光谱遥感图像分类方法包括：
2.根据权利要求1所述的高光谱遥感图像分类方法，其特征在于，所述获取待分类高光谱遥感图像，对所述待分类高光谱遥感图像通过主成分分析进行降维处理，得到降维后的图像数据，具体包括：
3.根据权利要求1或2所述的高光谱遥感图像分类方法，其特征在于，所述将降维后的图像数据输入注意力与多尺度密集网络，进行图像的空间-光谱特征提取，得到图像的空间-光谱特征图，具体包括：
4.根据权利要求3所述的高光谱遥感图像分类方法，其特征在于，所述瓶颈层的结构包括：卷积核为1×1×1的卷积、两个批归一化BN、两个ReLU激活函数和卷积核为3×3×3的卷积，在每个瓶颈层内对输入数据进行归一化；
5.根据权利要求4所述的高光谱遥感图像分类方法，其特征在于，所述注意力机制SENet模型用于对降维后的图像数据中的特征信息进行强化；
6.根据权利要求1所述的高光谱遥感图像分类方法，其特征在于，所述将得到的空间-光谱特征图输入到全连接层，将卷积输出的三维特征图转化成一维特征向量，并
7.权利要求1所述的高光谱遥感图像分类方法，其特征在于，所述利用Adam优化器对提取的一维特征向量进行优化处理，利用Softmax分类器对优化后一维特征向量进行分类，获得分类结果，具体包括：
8.一种高光谱遥感图像分类系统，其特征在于，所述高光谱遥感图像分类系统包括：
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高光谱遥感图像分类程序，所述高光谱遥感图像分类程序被所述处理器执行时实现如权利要求1-7任一项所述的高光谱遥感图像分类方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有高光谱遥感图像分类程序，所述高光谱遥感图像分类程序被处理器执行时实现如权利要求1-7任一项所述的高光谱遥感图像分类方法的步骤。
...【技术特征摘要】
1.一种高光谱遥感图像分类方法，其特征在于，所述高光谱遥感图像分类方法包括：
2.根据权利要求1所述的高光谱遥感图像分类方法，其特征在于，所述获取待分类高光谱遥感图像，对所述待分类高光谱遥感图像通过主成分分析进行降维处理，得到降维后的图像数据，具体包括：
3.根据权利要求1或2所述的高光谱遥感图像分类方法，其特征在于，所述将降维后的图像数据输入注意力与多尺度密集网络，进行图像的空间-光谱特征提取，得到图像的空间-光谱特征图，具体包括：
4.根据权利要求3所述的高光谱遥感图像分类方法，其特征在于，所述瓶颈层的结构包括：卷积核为1×1×1的卷积、两个批归一化bn、两个relu激活函数和卷积核为3×3×3的卷积，在每个瓶颈层内对输入数据进行归一化；
5.根据权利要求4所述的高光谱遥感图像分类方法，其特征在于，所述注意力机制senet模型用于对降维后的图像数据中的特征信息进行强化；
6.根据权利要求1所述的高光谱遥感图像分类方法，其...
【专利技术属性】
技术研发人员：陈绵书，张子墨，胡超亚，许瑞雪，李晓妮，桑爱军，
申请(专利权)人：吉林大学，
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。