一种分层次残差光谱空间卷积网络的高光谱图像分类方法技术

本发明专利技术涉及一种分层次残差光谱空间卷积网络的高光谱图像分类方法，包括：获取高光谱图像数据立方体，分割为一组相互重叠的3D斑块P；构建分层次残差光谱空间卷积网络；将3D斑块P输入分层次残差光谱空间卷积网络，得到光谱维的三维光谱空间特征；对光谱维的三维光谱空间特征进行分层次特征注意处理，得到分层次的特征映射；对分层次的特征映射进行光谱空间特征学习，得到空间维的三维光谱空间特征；对空间维的三维光谱空间特征进行分类处理，得到每一类地物的概率分布。本发明专利技术在提取各类地物微小特征上发挥着极其重要的作用，有效解决了图像块之间远近距离依赖关系，高效捕捉浅层空谱特征和深层空谱特征，并且降低注意力机制的冗余。

【技术实现步骤摘要】

本专利技术涉及计算机视觉和图像分类，尤其是一种分层次残差光谱空间卷积网络的高光谱图像分类方法。

技术介绍

1、高光谱图像由于其丰富的空间特征和光谱特征成为遥感领域研究的热点。高光谱图像具有数据量巨大、波段相关性强等特点，同时伴随着高维数据的冗余性和噪声，导致高光谱图像的分类准确度较低。

2、在高光谱图像早期的分类研究中，传统的机器学习方法如随机森林、支持向量机被用来进行分类。然而，这些方法在处理高光谱图像分类时存在一些限制，例如需要手动提取特征，无法充分利用光谱信息和空间信息。为了缓解高维数据的问题，一些降维方法如主成分分析、独立主成分分析和线性判别分析被用于提取光谱特征。然而，仅考虑光谱信息的分类算法无法捕捉到高分辨率图像的空间变化和差异，导致分类效果不佳。

3、随着深度学习的发展，卷积神经网络(cnn)及其扩展在计算机视觉任务中取得了巨大进展。一维和二维卷积神经网络被广泛应用于高光谱图像分类，但它们分别无法充分利用光谱和空间信息。因此，研究者提出了一些方法来结合光谱和空间信息，如利用三维卷积神经网络(3d cnn)同时提取光谱和本文档来自技高网...

【技术保护点】

1.一种分层次残差光谱空间卷积网络的高光谱图像分类方法，其特征在于：该方法包括下列顺序的步骤：

2.根据权利要求1所述的分层次残差光谱空间卷积网络的高光谱图像分类方法，其特征在于：在步骤(3)中，所述通道残差特征提取模块由第一轻量化残差卷积模块和第二轻量化残差卷积模块依次堆叠而成，所述第一轻量化残差卷积模块和第二轻量化残差卷积模块的结构相同，所述第一轻量化残差卷积模块由第一逐点卷积组、第一深度卷积组、通道注意力机制模块和第二逐点卷积组组成，所述第一逐点卷积组、第一深度卷积组、第二逐点卷积组均由批标准化层、卷积层和ReLU激活函数组成；

3.根据权利要求1所述的分层...

【技术特征摘要】

1.一种分层次残差光谱空间卷积网络的高光谱图像分类方法，其特征在于：该方法包括下列顺序的步骤：

2.根据权利要求1所述的分层次残差光谱空间卷积网络的高光谱图像分类方法，其特征在于：在步骤(3)中，所述通道残差特征提取模块由第一轻量化残差卷积模块和第二轻量化残差卷积模块依次堆叠而成，所述第一轻量化残差卷积模块和第二轻量化残差卷积模块的结构相同，所述第一轻量化残差卷积模块由第一逐点卷积组、第一深度卷积组、通道注意力机制模块和第二逐点卷积组组成，所述第一逐点卷积组、第一深度卷积组、第二逐点卷积组均由批标准化层、卷积层和relu激活函数组成；

3.根据权利要求1所述的分层次残差光谱空间卷积网络的高光谱图像分类方法，其特征在于：在步骤(3)中，所述分层次光谱空间特征注意模块包括多尺度空洞注意力机制模块和残差堆叠自注意力机制模块；

4.根据权利要求1所述的分层次残差光谱空间卷积网络的高光谱图像分类方法，其特征在于...

【专利技术属性】
技术研发人员：赵晋陵，吴柯柯，章露，肖甜，王家界，黄林生，阮超，黄文江，
申请(专利权)人：安徽大学，
类型：发明
国别省市：