System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及高光谱遥感图像处理,具体涉及基于超像素自注意力机制的高光谱遥感图像分类方法。
技术介绍
1、高光谱遥感图像在许多领域都有广泛的应用,如军事目标检测与识别、城市规划与土地利用、生态环境与自然资源以及地质勘测等,有着十分重要的作用。高光谱图像由于具有丰富的光谱信息,可以捕捉到地物的空间分布和光谱反射特征,更能够提供更全面、更细致的地物信息,通过分析高光谱遥感图像,可以获取地物的光谱特征、形态特征、结构特征等多方面的信息,有助于更深入地理解和解释地物的属性和特征。但同时高光谱遥感图像分类也存在以下难点:1、高光谱遥感图像通常由数十甚至上百个连续谱段组成,每个谱段对应一个波段。这导致数据维度非常高,某些情况下甚至维度远大于样本数量,带来大量冗余信息。2、高光谱遥感图像中的像素往往是由多个地物的光谱组合而成的,即存在光谱混合现象,这种混合使得每个像素的光谱不纯净,使得分类任务更加复杂。3、在高光谱遥感图像中,不同地物类别的分布可能不均衡,即某些类别的样本数量较少。这会导致分类器倾向于较多样本的类别,而对少样本的类别性能较差。4、选择规则的窗口作为输入可能导致细节信息被忽略或模糊,无法充分捕捉像素之间的空间关系。
2、近年来,深度学习在高光谱遥感图像分类领域取得了显著的进展,为高光谱数据的特征提取和分类提供了新的方法和思路。现有的深度学习分类方法有卷积神经网络、循环神经网络、自编码器以及生成对抗网络等。这些深度学习方法在高光谱图像分类中取得了较好的结果,但也面临一些挑战,如标注困难、过拟合和样本不平衡等。
< ...【技术保护点】
1.基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,针对高光谱遥感图像,执行如下步骤S1-步骤S5,完成高光谱遥感图像的分类:
2.根据权利要求1所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤S1中采用主成分分析法PCA将高光谱遥感图像进行降维处理,获得多个主成分,提取第一个主成分,作为超像素分割的基础。
3.根据权利要求1所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤S2中采用SLIC方法对第一主成分进行超像素分割,得到多个不同的超像素块,将每个超像素块中的像素按照预设比例划分出训练集和测试集。
4.根据权利要求1所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤S3中所构建的超像素注意力网络分类模型如下式:
5.根据权利要求4所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤S3的具体步骤如下:
6.根据权利要求1所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤S4中的损失函数计算像素特征表示X1
7.根据权利要求1所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤S5将测试集输入到训练好的超像素注意力网络分类模型中进行预测分类,直至预测分类精度达到精度要求,高光谱遥感图像分类完成。
...【技术特征摘要】
1.基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,针对高光谱遥感图像,执行如下步骤s1-步骤s5,完成高光谱遥感图像的分类:
2.根据权利要求1所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤s1中采用主成分分析法pca将高光谱遥感图像进行降维处理,获得多个主成分,提取第一个主成分,作为超像素分割的基础。
3.根据权利要求1所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤s2中采用slic方法对第一主成分进行超像素分割,得到多个不同的超像素块,将每个超像素块中的像素按照预设比例划分出训练集和测试集。
4.根据权利要求1所述的基于超像素自注意力机制的高光谱遥感图像分类方法,其特征在于,步骤s3中所构建的超像素注意力网络分类模型如下式:
【专利技术属性】
技术研发人员:涂兵,陈云云,曹兆楼,叶井飞,王琳,匡文剑,
申请(专利权)人:南京信息工程大学,
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。