本申请属于一种分类方法,针对目前高光谱图像分类方法分类准确性仍然较低的技术问题,提供一种高光谱图像分类方法、系统、计算机程序产品,采用空间分支和光谱分支结合的方法,结合马氏距离相似度度量方式,弥补了当前仅用余弦距离和欧式距离两种度量方式无法充分考虑特征之间相关性,以及欧式距离对类内样本分布不敏感的问题。另外,考虑特征之间的相关性,能够有效减少噪声的影响,获得更具鲁棒性的特征,改善非线性分类器的决策边界。通过多尺度特征提取,能够捕获不同感受野的特征信息,结合光谱信息提高分类性能,进而提高光谱图像分类方法的分类准确性。
【技术实现步骤摘要】
本申请属于一种分类方法,具体涉及一种高光谱图像分类方法、系统、计算机程序产品。
技术介绍
1、高光谱图像由数百个连续的窄波段组成,每个波段分别对应捕捉地物的不同光谱特征,这些光谱特征能够帮助准确判别相应的地物类别。
2、高光谱图像分类是利用光谱信息和空间信息对每个像素进行特定的分类,旨在为每个像素分配唯一的土地类别覆盖标签,在农业管理、城市规划、土地覆盖分类等方面均有广泛应用。但是,由于高光谱图像存在地物类别分布不平衡、不同类别的光谱带之间存在较大重叠,以及标记样本量稀缺等问题,导致高光谱图像分类仍然是一项具有挑战性的任务。
3、为了能够在数百个波段中得到对分类具有显著贡献的波段,实现动态地分配不同波段之间的权重比例,从而更好地捕捉关键特征,注意力机制被广泛应用于高光谱图像分类方法中。但是常用的注意力机制在强调中心像素与相邻像素之间的空间关系方面的贡献不够突出,忽略了高光谱图像中不同波段的特征之间的相关性,导致分类准确性降低。
技术实现思路
1、本申请针对上述高光谱图像分类方法降低分类准确性的技术问题,提供一种高光谱图像分类方法、系统、计算机程序产品。
2、为了实现上述目的,本申请采用以下技术方案予以实现:
3、第一方面,本申请提出一种高光谱图像分类方法,包括:
4、从原始光谱-空间块x中提取中心光谱像素xc和光谱-空间块d;
5、对所述中心光谱像素xc和光谱-空间块d进行融合,得到光谱-空间块d/;
<
p>6、根据马氏距离计算中心光谱像素xc和邻域像素之间的相似度值,再转化为概率分布的注意力矩阵,得到光谱-空间块dm;7、对所述光谱-空间块dm进行多尺度特征提取,捕获全局空间信息;
8、通过双向长短期记忆方法从原始光谱-空间块x中提取鲁棒性光谱特征信息;
9、对所述鲁棒性光谱特征信息中的各特征分别赋以不同的权重大小,得到光谱信息;
10、融合所述全局空间信息和所述光谱信息,得到光谱-空间融合特征;
11、根据所述光谱-空间融合特征,进行高光谱图像分类。
12、进一步地,所述对所述中心光谱像素xc和光谱-空间块d进行融合,包括:
13、对所述中心光谱像素xc进行镜面填充,使中心光谱像素xc保持连续;
14、根据空间窗口面积,将镜面填充后的中心光谱像素xc重塑为3d光谱块;
15、对所述3d光谱块和所述光谱-空间块d进行拼接,得到光谱-空间块d/。
16、进一步地,还包括:
17、对所述光谱-空间块dm依次进行点卷积和深度卷积处理。
18、进一步地,所述对所述光谱-空间块dm依次进行点卷积和深度卷积处理,包括:
19、依次对所述光谱-空间块dm进行批归一化和1×1点卷积,再输入至leaky relu,得到第一中间结果;
20、将所述第一中间结果分别输入至3×3深度卷积和5×5深度卷积,对应得到第二中间结果和第三中间结果;
21、对所述第二中间结果和所述第三中间结果进行加和,进行批归一化处理后,输入relu,得到优化后的光谱-空间块。
22、进一步地,对所述优化后的光谱-空间块分别使用欧式距离和余弦距离作为相似度衡量方式,得到欧式注意力图和余弦注意力图;
23、采用自适应权值相加的方式融合所述欧式注意力图和余弦注意力图,得到二次优化后的光谱-空间块。
24、进一步地,所述对所述光谱-空间块dm进行多尺度特征提取,包括:
25、分别通过四个3×3的膨胀卷积对所述二次优化后的光谱-空间块进行处理,再对处理结果进行加和;四个所述3×3的膨胀卷积的膨胀率线性依次增大;
26、依次对加和结果进行relu函数处理和批归一化处理,捕获全局空间信息。
27、第二方面,本申请提出一种高光谱图像分类系统,包括:
28、多模态信息融合模块,用于从原始光谱-空间块x中提取中心光谱像素xc和光谱-空间块d;并对所述中心光谱像素xc和光谱-空间块d进行融合,得到光谱-空间块d/;
29、马氏距离相似度衡量模块,用于根据马氏距离计算中心光谱像素xc和邻域像素之间的相似度值,再转化为概率分布的注意力矩阵,得到光谱空间块dm;
30、多尺度特征提取模块,用于对所述光谱-空间块dm进行多尺度特征提取,捕获全局空间信息;
31、双向长短期记忆模块,用于通过双向方式从原始光谱-空间块x中提取鲁棒性光谱特征信息;
32、线性注意力权重模块,用于对所述鲁棒性光谱特征信息中的各特征分别赋以不同的权重大小,得到光谱信息;
33、融合模块,用于融合所述全局空间信息和所述光谱信息,得到光谱-空间融合特征;
34、分类模块,用于根据所述光谱-空间融合特征,进行高光谱图像分类。
35、进一步地,还包括多尺度深度可分离卷积模块;
36、所述多尺度深度可分离卷积模块,用于依次对所述光谱-空间块dm进行批归一化和1×1点卷积,再输入至leaky relu,得到第一中间结果;
37、将所述第一中间结果分别输入至3×3深度卷积和5×5深度卷积,对应得到第二中间结果和第三中间结果;
38、对所述第二中间结果和所述第三中间结果进行加和,进行批归一化处理后,输入relu,得到优化后的光谱-空间块。
39、进一步地,还包括欧氏距离与余弦相似度衡量模块;
40、所述欧氏距离与余弦相似度衡量模块,用于对所述优化后的光谱-空间块分别使用欧式距离和余弦距离作为相似度衡量方式,得到欧式注意力图和余弦注意力图;采用自适应权值相加的方式融合所述欧式注意力图和余弦注意力图,得到二次优化后的光谱-空间块。
41、第三方面,本申请提出一种计算机程序产品,包括计算机程序或计算机可执行指令,所述计算机程序或计算机可执行指令被处理器执行时实现上述的高光谱图像分类方法。
42、与现有技术相比,本申请具有以下有益效果:
43、本申请提出一种高光谱图像分类方法,采用空间分支和光谱分支结合的方法,结合马氏距离相似度度量方式,弥补了当前仅用余弦距离和欧式距离两种度量方式无法充分考虑特征之间相关性,以及欧式距离对类内样本分布不敏感的问题。另外,考虑特征之间的相关性,能够有效减少噪声的影响,获得更具鲁棒性的特征,改善非线性分类器的决策边界。通过多尺度特征提取,能够捕获不同感受野的特征信息,结合光谱信息提高分类性能,进而提高光谱图像分类方法的分类准确性。
44、本申请还提出了一种高光谱图像分类系统,具备上述高光谱图像分类方法的全部优势,在三个公开数据集上,对本申请的分类系统进行验证,实验结果证明本申请仅使用较小的训练集也能获得极佳的分类性能。
45、本申请还提出了一种计算机程序产品,通过不本文档来自技高网
...
【技术保护点】
1.一种高光谱图像分类方法,其特征在于,包括:
2.根据权利要求1所述高光谱图像分类方法,其特征在于,所述对所述中心光谱像素Xc和光谱-空间块D进行融合,包括:
3.根据权利要求2所述高光谱图像分类方法,其特征在于,还包括:
4.根据权利要求3所述高光谱图像分类方法,其特征在于,所述对所述光谱-空间块DM依次进行点卷积和深度卷积处理,包括:
5.根据权利要求4所述高光谱图像分类方法,其特征在于,还包括:
6.根据权利要求5所述高光谱图像分类方法,其特征在于,所述对所述光谱-空间块DM进行多尺度特征提取,包括:
7.一种高光谱图像分类系统,其特征在于,包括:
8.根据权利要求7所述高光谱图像分类系统,其特征在于,还包括多尺度深度可分离卷积模块;
9.根据权利要求8所述高光谱图像分类系统,其特征在于,还包括欧氏距离与余弦相似度衡量模块;
10.一种计算机程序产品,包括计算机程序或计算机可执行指令,其特征在于,所述计算机程序或计算机可执行指令被处理器执行时实现权利要求1至6任一项所述的高光谱图像分类方法。
...
【技术特征摘要】
1.一种高光谱图像分类方法,其特征在于,包括:
2.根据权利要求1所述高光谱图像分类方法,其特征在于,所述对所述中心光谱像素xc和光谱-空间块d进行融合,包括:
3.根据权利要求2所述高光谱图像分类方法,其特征在于,还包括:
4.根据权利要求3所述高光谱图像分类方法,其特征在于,所述对所述光谱-空间块dm依次进行点卷积和深度卷积处理,包括:
5.根据权利要求4所述高光谱图像分类方法,其特征在于,还包括:
6.根据权利要求5所述高光谱图像分类方法,...
【专利技术属性】
技术研发人员:黄琼丹,李亮,康仕林,刘露露,朱婷鸽,
申请(专利权)人:西安邮电大学,
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。