基于深度学习联合模型的小样本高光谱图像分类方法技术

本发明专利技术公开了一种基于深度学习联合模型的小样本高光谱图像分类方法。首先，构建一个三维通道注意力卷积子网络，通过设计三维通道注意机制并将其融入卷积神经网络中，提取高光谱图像中深层且具有辨别力的光谱特征；其次，构建一个残差多层图卷积子网络，通过搭建多层残差连接，提取高光谱图像中长距离空间关系，从而学习得到图像更丰富的深度空间特征；最后，将两个子网络进行联合，通过全连接层组合与转换融合特征，实现高光谱图像的精准分类。本发明专利技术提出的这种深度学习联合模型可充分提取高光谱图像的光谱和空间信息，有效提升小样本情况下高光谱图像的分类精度。

【技术实现步骤摘要】

本专利技术属于遥感图像处理领域，具体涉及一种基于深度学习联合模型的小样本高光谱图像分类方法。

技术介绍

1、高光谱图像通常包含数百个甚至数千个连续的谱段，相较于传统的光学图像和多光谱图像，具有更丰富的光谱信息。高光谱图像分类是遥感领域的一项重要研究方向，已广泛应用于军事国防、环境监测、城市规划等诸多领域。早期的高光谱图像分类方法基于机器学习模型，代表算法包括支持向量机、k近邻、稀疏表示、随机森林等。但这些方法极度依赖手动提取的低级特征，而这些特征往往具有较浅的语义信息，对于易混淆的类别区分能力很弱。

2、近年来，深度学习在众多计算机视觉任务中取得了重大应用。深度学习可以通过一系列层次结构从原始高光谱数据中提取不同级别特征，更有利于分类。基于深度学习的高光谱图像分类方法主要包括基于堆叠自编码器的分类方法、基于卷积神经网络的分类方法、以及基于图神经网络的分类方法等。

3、公开号cn115578632a提出的基于膨胀卷积的高光谱图像分类方法，首先采集高光谱图像数据集，并建立基于类反馈注意力机制的膨胀卷积网络，然后训练神经网络以得到最优网络本文档来自技高网...

【技术保护点】

1.一种基于深度学习联合模型的小样本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的一种基于深度学习联合模型的小样本高光谱图像分类方法，步骤(1)中的，数据集构建和划分方法如下：

3.根据权利要求1的一种基于深度学习联合模型的小样本高光谱图像分类方法，步骤(2)中的，搭建三维通道注意力卷积子网络的方法如下：

4.根据权利要求1的一种基于深度学习联合模型的小样本高光谱图像分类方法，步骤(3)中的，搭建以超像素为节点的残差多层图卷积子网络的方法如下：

5.根据权利要求1的一种基于深度学习联合模型的小样本高光谱图像分类方法，步...

【技术特征摘要】

1.一种基于深度学习联合模型的小样本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的一种基于深度学习联合模型的小样本高光谱图像分类方法，步骤(1)中的，数据集构建和划分方法如下：

3.根据权利要求1的一种基于深度学习联合模型的小样本高光谱图像分类方法，步骤(2)中的，搭建三维通道注意力卷积子网络的方法如下：

4.根据权利要求1的一种基于深度学习联合模型的小样本高光谱图像分类方法，步骤(3)中的，搭建以...

【专利技术属性】
技术研发人员：王鑫，井诗涵，李莹莹，江怡，李黎，
申请(专利权)人：河海大学，
类型：发明
国别省市：