【技术实现步骤摘要】
本专利技术涉及高光谱影像的数据处理与应用，特别涉及一种高光谱影像分类方法、装置、计算机设备和储存介质。
技术介绍
1、高光谱影像hsi具有分辨率高、图谱合一、数据量大等特点，已广泛应用于土地利用监测、农林调查、灾害预警、生态环境评估、军事国防等领域。高光谱影像分类hsic是hsi处理的重要研究方向之一，能够为众多应用提供坚实的数据基础。然而，hsi存在维数高、波段间相关性强、训练样本少等问题，使其在地物分类识别中面临着诸多挑战。支持向量机、随机森林、多项式逻辑回归和稀疏表示等机器学习分类方法的提出促进了hsic技术的发展。但上述分类方法只能利用高光谱数据中的浅层特征，在处理较复杂数据时难以保证算法的鲁棒性，模型的泛化能力较差。因此，如何针对高光谱数据的特点，提取深层次和高鲁棒性特征仍是目前hsic研究中的热点问题。
2、近年来，深度学习作为机器学习的一个重要分支，在图像处理、语音识别、自然语言处理等多个领域取得了巨大成功。深度学习dl方法可以从hsi中自动提取地物的深层次抽象特征，因此被广泛应用于hsic领域。常用的dl模型包括堆叠自编码网络、深度置信网络、卷积神经网络cnn、循环神经网络、图卷积神经网络等。其中cnn是一种使用广泛的深度学习网络结构，其具有的局部感受野和权值共享策略，能够减少大量的网络模型参数。cnn能够针对hsi的特点，采用一维卷积、二维卷积和三维卷积分别提取影像的深层次光谱特征、空间特征和空谱特征，有效地提高影像的分类精度。
3、然而，仅采用某一种维度的深层次特征进行分类，对高光谱数
4、现有技术中，申请号为：cn 108427913 a，公开了一种联合光谱、空间和层次结构信息的高光谱影像分类方法，包括：对原始影像采用主成分分析提取影像前三个主成分波段，使用拓展形态学方法提取空间特征向量；对原始影像采用马尔科夫特征选择进行降维，采用代数多重网格方法构建影像金字塔，使用层次分割方法得到多层分割结果；将原始光谱特征向量、空间特征向量和层次结构特征向量组合构建多核矩阵；利用支持向量机方法计算核矩阵差异获取最终的类别属性标签；输出最终的影像分类图。
5、但是，上述方法中，仅考虑到高光谱影像的光谱特征和空间特征，缺少对空谱信息的挖掘，忽略了光谱信息和空间信息的相关性，使得所提取的高光谱特征不理想。
技术实现思路
1、本说明书提供了一种高光谱影像分类方法、置、设备和介质，可以解决现有技术中，由于对高光谱影像的信息挖掘不充分导致获得的高光谱特征不理想的技术问题。
2、本说明书提供了一种高光谱影像分类方法，包括：
3、获取高光谱影像数据集；
4、分别构建用于提取高光谱影像的光谱特征、空间特征、空谱特征的第一网络、第二网络、第三网络，所述第一网络包括一维卷积层和第一密集残差单元；所述第二网络包括二维卷积层和第二密集残差单元；所述第三网络结构包括三维卷积和第三密集残差单元；
5、将光谱特征、空间特征、空谱特征映射到深度特征空间进行融合；
6、将融合后的特征输入到多核支持向量机中进行分类。
7、进一步的，所述第一网络，包括：
8、第一输入层，所述输入层的输入为高光谱影像中每个像素点的光谱信息；
9、与第一输入层输出端连接的一维卷积层，所述一维卷积层由64个大小为1×3的卷积核构成，用于提取高光谱影像的浅层光谱特征；
10、与一维卷积层输出端连接的第一密集残差单元结构，所述第一密集残差单元结构用于提取高级语义光谱特征，并将浅层光谱特征和高级语义光谱特征合并，获得获取高光谱影像的光谱特征。
11、进一步的，所述第二网络，包括：
12、第二输入层，所述第二输入层使用主成分分析pca方法高光谱影像从高维降为三维，在降为三维的高光谱影像的每个像素点周围取一个大小为w×w×3的图像块作为下一层卷积操作的输入；
13、与第二输入层输出端连接的二维卷积层，所述二维卷积层由64个大小为3×3卷积核构成，用于提取高光谱影像的浅层空间特征；
14、与二维卷积层输出端连接的第二密集残差单元结构，所述第二密集残差单元用于提取高级语义空间特征，并将浅层空间特征和高级语义空间特征合并，获得高光谱影像的空间特征。
15、进一步的，所述第三网络，包括：
16、第三输入层，所述第三输入层的输入是从高光谱影像获取的大小为m×m×n的立方体；
17、与第三输入层输出端连接的三维卷积层，所述三维卷积层由64个大小为3×3×3卷积核构成，用于提取高光谱影像的浅层空谱特征；
18、与三维卷积层输出端连接的第三密集残差单元，所述第三密集残差单元用于获得高级语义空谱特征，并将浅层空谱特征与不同层次的空谱特征合并，获得高光谱影像的空谱特征。
19、进一步的，所述第一密集残差单元、第二密集残差单元，第三密集残差单元的结构相同，包括：
20、4个依次密集连接的子残差单元，每个子残差单元包含2个卷积层，每个卷积层使用relu作为激活函数；
21、每个子残差单元输入为：
22、xi＝f(xi-1)+xi-1
23、xi＝hi(concat[x0,x1,···,xi-1])
24、其中，
25、xi-1和xi分别为第i个子残差单元的输入和输出，f(x)是残差学习的函数；
26、hi(·)为第i层的非线性变换操作，xi＝hi(concat[x0,x1,···,xi-1])表示第i层的输入为第i-1层所有输出的特征图的叠加。
27、进一步的，所述将融合后的特征输入到多核支持向量机中进行分类，包括：
28、选择高斯核函数、线性核函数、多项式核函数、sigmoid核函数作为基核；
29、将融合后的特征输入到各个基核中，计算各个基核对应的子核矩阵k1,k2,...,km；
30、计算任意两个子核矩阵k1,k2,...,km之间的中心核对齐cka得分：
31、
32、其中，为子核矩阵ki的中心化矩阵，<,>f表示两个矩阵内积的范数；
33、根据中心核对齐cka得分，为不同的核函数分配权重；
34、基于各个基核和各个基核对应的分配权重构造复合核函数：
35、
36、dm≥0，
37、其中，km(zi,z)为基核，m为基核的数目，dm为第m个基核函数对应的权重；
38、将复合核函数输入到支持向量机svm中进行分类：
39、
<本文档来自技高网...【技术保护点】
1.一种高光谱影像分类方法，其特征在于，包括：
2.如权利要求1所述的高光谱影像分类方法，其特征在于，所述第一网络，包括：
3.如权利要求1所述的高光谱影像分类方法，其特征在于，所述第二网络，包括：
4.如权利要求1所述的高光谱影像分类方法，其特征在于，所述第三网络，包括：
5.如权利要求1所述的高光谱影像分类方法，其特征在于，所述第一密集残差单元、第二密集残差单元，第三密集残差单元的结构相同，包括：
6.如权利要求1所述的高光谱影像分类方法，其特征在于，所述将融合后的特征输入到多核支持向量机中进行分类，包括：
7.如权利要求6所述高光谱影像分类方法，其特征在于，所述根据中心核对齐CKA得分，为不同的核函数分配权重，包括：
8.一种高光谱影像分类装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所
...【技术特征摘要】
1.一种高光谱影像分类方法，其特征在于，包括：
2.如权利要求1所述的高光谱影像分类方法，其特征在于，所述第一网络，包括：
3.如权利要求1所述的高光谱影像分类方法，其特征在于，所述第二网络，包括：
4.如权利要求1所述的高光谱影像分类方法，其特征在于，所述第三网络，包括：
5.如权利要求1所述的高光谱影像分类方法，其特征在于，所述第一密集残差单元、第二密集残差单元，第三密集残差单元的结构相同，包括：
6.如权利要求1所述的高光谱影像分类方法，其特征在于，所述将融合后的特征输入到多...
【专利技术属性】
技术研发人员：吕欢欢，李莹，张辉，白智嘉，沈萍萍，李梦萍，
申请(专利权)人：湖州师范学院，
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。