【技术实现步骤摘要】
本专利技术属于信息技术服务，具体涉及一种基于上采样和多分支的高光谱图像分类方法和系统。
技术介绍
1、近年来，随着传感器技术的不断发展，高光谱图像分类逐渐成为遥感领域的研究热点。高光谱图像分类的本质就是对其图像中的每一个像素点进行确定的类别标注。高光谱图像数据是一个三维数据立方体，能够有效反映成像目标的相关信息。因此，高光谱图像分类广泛应用于精细农业、医学诊断、环境监测、矿物分析等。
2、早期的高光谱图像分类任务主要采用传统的机器学习的方法，如svm，逻辑回归、k近邻等。这些方法一般分为两个阶段去完成分类任务，称为“两阶段分类法”。两阶段分类法将高光谱图像分类过程分为特征提取和分类器设计两个步骤来实现。基于传统的机器学习的分类方法一般基于人工设计的浅层特征，不能反应被观测物体的本质特征，在复杂情况下也无法保证算法的分类准确性和鲁棒性。
3、深度学习是实现机器学习的一种新的技术，由于其具有较强的学习能力和适应能力，且可移植性好，近年来受到越来越多研究者的关注。与传统的基于机器学习的方法相比，基于深度学习的方法能从复杂的高维数据中自动学习到更加深层次的特征表达，更加适合用于高光谱图像分类。基于深度学习的分类方法又被称为“端到端”的一体化分类法。
4、现有的基于深度学习的高光谱图像分类方法主要存在以下不足：(1)高光谱图像接近连续的光谱波段在为分类提供更加丰富的特征的同时，也造成了大量的数据冗余，如何在不丢失光谱空间信息的前提下，有效去除冗余信息，对提升分类性能至关重要。(2)由于高光谱图像获取困难
技术实现思路
1、本专利技术旨在解决现有技术的不足，提出一种基于上采样和多分支的高光谱图像分类方法和系统，充分利用高光谱图像的光谱和空间信息，在不丢失信息的情况下，消除高光谱图像中的冗余信息和提取更具价值的判别性特征，从而提高小样本下高光谱图像的分类精度。
2、为实现上述目的，本专利技术提供了如下方案：一种基于上采样和多分支的高光谱图像分类方法，包括以下步骤：
3、s1、采集高光谱遥感图像数据，并对所述高光谱图像数据的每个像素点获取邻域块；所述邻域块大小为9×9×b，b表示光谱带的数量；
4、s2、对所述邻域块进行特征提取，得到特征图；构建stemnet模型，基于所述stemnet模型对所述特征图进行去冗余处理，得到去冗余特征图；
5、s3、构建特征提取网络，并基于所述stemnet模型的输入参数对所述特征提取网络进行模型选择，基于选择的模型对所述去冗余特征图进行特征提取并融合，得到融合特征；
6、s4、基于所述融合特征完成高光谱图像分类。
7、进一步优选地，得到所述特征图的方法包括：
8、将所述邻域块输入大小为(1×1×7,24)的3d-cnn和带mish激活函数的bn层，得到大小为(9×9×b，24)的所述特征图。
9、进一步优选地，所述stemnet模型包括：上采样模块以及模型选择模块；
10、所述上采样模块用于将所述特征图进行分组，并对每张特征图进行切分；将每一张特征图中的一等份特征图进行拼接，得到所述去冗余特征图；
11、所述模型选择模块用于基于所述输入参数进行模型选择。
12、进一步优选地，所述特征提取网络包括：ftbta-s模型、ftbta-m模型和ftbta-l模型；
13、所述ftbta-s模型包括一个分支，为光谱分支，用于利用光谱信息进行特征提取，得到光谱特征图；
14、所述ftbta-m模型包括两个分支，一支为光谱分支，一支为空间分支；分别用于提取光谱特征图以及空间特征图；
15、所述ftbta-l模型包括三个分支，一支为光谱分支，一支为空间x分支，一支为空间y分支；分别用于提取光谱特征图、空间x特征图和以及空间y特征图。
16、进一步优选地，所述光谱分支获得所述光谱特征图的方法包括：
17、将所述去冗余特征图经过一个密集光谱块，得到第一特征图；所述第一特征图大小为(18×18×c，60)，c为输入参数；
18、之后所述第一特征图经过一个大小为1×1×c的3d-cnn和带mish的bn层，得到第二特征图；所述第二特征图大小为(18×18×1，60)；
19、之后所述第二特征图经过一个光谱注意块进行加权，得到第三特征图；
20、最后所述第三特征图依次经过带mish的bn层、dropout层和全局平均池化层，得到大小为1×60的所述光谱特征图。
21、本专利技术还提供一种基于上采样和多分支的高光谱图像分类系统，所述分类系统用于实现上述分类方法，包括：邻域块获取模块、特征处理模块、融合模块以及分类模块；
22、所述邻域块获取模块用于采集高光谱遥感图像数据，并对所述高光谱图像数据的每个像素点获取邻域块；所述邻域块大小为9×9×b，b表示光谱带的数量；
23、所述特征处理模块用于对所述邻域块进行特征提取，得到特征图；构建stemnet模型，基于所述stemnet模型对所述特征图进行去冗余处理，得到去冗余特征图；
24、所述融合模块用于构建特征提取网络，并基于所述stemnet模型的输入参数对所述特征提取网络进行模型选择，基于选择的模型对所述去冗余特征图进行特征提取并融合，得到融合特征；
25、所述分类模块用于基于所述融合特征完成高光谱图像分类。
26、进一步优选地，所述特征处理模块得到所述特征图的方法包括：
27、将所述邻域块输入大小为(1×1×7,24)的3d-cnn和带mish激活函数的bn层，得到大小为(9×9×b，24)的所述特征图。
28、进一步优选地，所述stemnet模型包括：上采样模块以及模型选择模块；
29、所述上采样模块用于将所述特征图进行分组，并对每张特征图进行切分；将每一张特征图中的一等份特征图进行拼接，得到所述去冗余特征图；
30、所述模型选择模块用于基于所述输入参数进行模型选择。
31、进一步优选地，所述特征提取网络包括：ftbta-s模型、ftbta-m模型和ftbta-l模型；
32、所述ftbta-s模型包括一个分支，为光谱分支，用于利用光谱信息进行特征提取，得到光谱特征图；
33、所述ftbta-m模型包括两个分支，一支为光谱分支，一支为空间分支；分别用于提取光谱特征图以及空间特征图；
本文档来自技高网...【技术保护点】
1.一种基于上采样和多分支的高光谱图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于上采样和多分支的高光谱图像分类方法，其特征在于，得到所述特征图的方法包括：
3.根据权利要求1所述基于上采样和多分支的高光谱图像分类方法，其特征在于，所述StemNet模型包括：上采样模块以及模型选择模块；
4.根据权利要求1所述基于上采样和多分支的高光谱图像分类方法，其特征在于，所述特征提取网络包括：FTBTA-s模型、FTBTA-m模型和FTBTA-l模型；
5.根据权利要求4所述基于上采样和多分支的高光谱图像分类方法，其特征在于，所述光谱分支获得所述光谱特征图的方法包括：
6.一种基于上采样和多分支的高光谱图像分类系统，所述分类系统用于实现权利要求1-5任一项所述的分类方法，其特征在于，包括：邻域块获取模块、特征处理模块、融合模块以及分类模块；
7.根据权利要求6所述基于上采样和多分支的高光谱图像分类系统，其特征在于，所述特征处理模块得到所述特征图的方法包括：
8.根据权利要求6所述基于上采
9.根据权利要求6所述基于上采样和多分支的高光谱图像分类系统，其特征在于，所述特征提取网络包括：FTBTA-s模型、FTBTA-m模型和FTBTA-l模型；
10.根据权利要求9所述基于上采样和多分支的高光谱图像分类系统，其特征在于，所述光谱分支获得所述光谱特征图的方法包括：
...【技术特征摘要】
1.一种基于上采样和多分支的高光谱图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于上采样和多分支的高光谱图像分类方法，其特征在于，得到所述特征图的方法包括：
3.根据权利要求1所述基于上采样和多分支的高光谱图像分类方法，其特征在于，所述stemnet模型包括：上采样模块以及模型选择模块；
4.根据权利要求1所述基于上采样和多分支的高光谱图像分类方法，其特征在于，所述特征提取网络包括：ftbta-s模型、ftbta-m模型和ftbta-l模型；
5.根据权利要求4所述基于上采样和多分支的高光谱图像分类方法，其特征在于，所述光谱分支获得所述光谱特征图的方法包括：
6.一种基于上采样和多分支的高光谱图像分类系统，所述...
【专利技术属性】
技术研发人员：潘新，唐婷，赵烜赫，罗小玲，白戈力，
申请(专利权)人：内蒙古农业大学，
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。