一种基于多特征融合的高光谱图像分类方法技术

本发明专利技术公开一种基于多特征融合的高光谱图像分类方法，获取高光谱图像并进行预处理，获得数据集；构建初始分类模型，包括三个并行的优化后的ResNet网络、3D‑CNN网络、LSTM网络，用于分别提取特征矩阵H1、特征矩阵H2和特征矩阵H3；融合模块，用于将特征矩阵H1、特征矩阵H2、特征矩阵H3进行特征融合，得到融合后特征矩阵H0；分类器，用于将融合后特征矩阵H0作为输入，获得分类结果；将数据集输入至初始分类模型中进行训练，同时计算损失函数以Adam优化器更新模型参数，当损失函数不断下降直至收敛时，得到分类模型；将待识别高光谱图像输入至分类模型，获得分类结果。本发明专利技术能够提高高光谱图像分类的准确率。

【技术实现步骤摘要】

本专利技术涉及高光谱图像分类，尤其涉及一种基于多特征融合的高光谱图像分类方法。

技术介绍

1、高光谱图像分类具有重要的实际意义和应用价值。高光谱图像，也称为高光谱遥感图像，是一种具有大量波段信息的遥感数据，其中包含详细的光谱信息。这些数据不仅在地表物种识别、环境监测、城市规划、农林业监测、矿产勘查和生态系统研究等领域具有广泛的应用，在海洋科学、海洋资源监测等方面具有重大意义。准确的高光谱图像分类能够帮助分析和解决各种实际问题，改善资源管理和环境保护。传统的遥感图像分类方法常受到受限区域和模糊边界的影响，这使得高光谱图像的精确分类成为一项充满挑战的任务。

2、目前的高光谱图像分类方法主要包括基于光谱特征的方法、基于空间特征的方法和深度学习方法。基于光谱特征的方法主要利用高光谱图像的光谱信息，以最小距离、支持向量机(svm)和光谱角映射等分类器进行分类。基于空间特征的方法主要针对地物对象形态特征，利用形态滤波、纹理特征等方法集成光谱信息。深度学习方法则借助卷积神经网络(cnn)、循环神经网络(rnn)和生成对抗网络(gan)等深度神经网络模型，自动本文档来自技高网...

【技术保护点】

1.一种基于多特征融合的高光谱图像分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于多特征融合的高光谱图像分类方法，其特征在于，所述预处理包括：

3.根据权利要求2所述的一种基于多特征融合的高光谱图像分类方法，其特征在于，还包括如下步骤：

4.根据权利要求1所述的一种基于多特征融合的高光谱图像分类方法，其特征在于，所述优化后的ResNet网络包括依次连接的2D卷积层、最大池化层、第一残差块、第二残差块、Transformer层、第三残差块、第四残差块、Transformer层、全局平均池化层，其中，所述第一残差块、第二残差块、第三残...

【技术特征摘要】

1.一种基于多特征融合的高光谱图像分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于多特征融合的高光谱图像分类方法，其特征在于，所述预处理包括：

3.根据权利要求2所述的一种基于多特征融合的高光谱图像分类方法，其特征在于，还包括如下步骤：

4.根据权利要求1所述的一种基于多特征融合的高光谱图像分类方法，其特征在于，所述优化后的resnet网络包括依次连接的2d卷积层、最大池化层、第一残差块、第二残差块、transformer层、第三残差块、第四残差块、transformer层、全局平均池化层，其中，所述第一残差块、第二残差块、第三残差块、第四残差块均包括依次连接的两个2d卷积层、全局平均池化层、两个fc层；所述transformer层由多头注意力机制、两个dropout层、一个全连接层以及残差连接组成。

5.根据权利要求1所述的一种基于多特征融合的高光谱图像分类方法，其特征在于，所述优化后的3d-cnn包括...

【专利技术属性】
技术研发人员：沈义俊，全嘉鑫，李萌，杜燕连，刘虎，周健一，张炜峰，冉倩，李文庆，张瑞永，刘悦凡，袁广，
申请(专利权)人：海南大学，
类型：发明
国别省市：