[发明专利]基于注意力机制和卷积神经网络高光谱遥感图像分类方法

说明书

本发明提供了基于注意力机制和卷积神经网络高光谱遥感图像分类方法，对原始高光谱遥感图像进行主成份分析法降维，将降维后的高光谱数据进行样本取块；之后进行3D卷积操作和池化操作，得到中间特征图谱；然后分别将中间特征的每一个光谱向量与光谱注意力模块和每一个空间特征与空间注意力模块进行按位相乘，得到注意力增强样本；之后再进行一次卷积操作与注意力增强操作；然后将通过3D卷积操作得到的中间特征图谱输入到分类器中进行分类。本发明的有益效果是：降低分类成本，提高分类性能，通过样本特征的提取与增强，实现自适应特征细化，进而提高了高光谱遥感图像的分类精度。

技术领域

本发明涉及高光谱图像分类领域，尤其涉及基于注意力机制和卷积神经网络高光谱遥感图像分类方法。

背景技术

遥感是一种远距离、非接触式的目标探测技术和方法，是人们研究地面物体特性的一种重要手段。随着硬件技术的快速发展以及应用需求的不断增长，所获遥感图像从宽波段逐渐向窄波段成像发展，同时呈现出高空间分辨率、高光谱分辨率、高时间分辨率等特点，高光谱遥感由此而产生。高光谱遥感技术是遥感发展史上极具标志性的成果，它的迅速发展引起了各国科学家的广泛重视，成为当前遥感领域的研究热点。

通过高光谱遥感技术所获得的图像，在记录地物空间信息的同时也采集到了光谱信息，因而具有图谱合一的性质。相比较于传统的遥感图像，高光谱遥感图像具有分辨率高、数据量大、光谱范围窄、波段多且连续等特点，因此特征维数和信息冗余程度也相对较高。基于上述特点，对高光谱遥感图像的利用已经在海洋监测、植被研究、精细农业、地质调查、大气环境等方面得到广泛体现。

由于高光谱遥感图像能够以较高分辨率收集到地物信息，并且丰富的光谱信息有利于物质的物理化学特性反演，因此对其进行分类是获取地物信息的一种重要手段。近年来，越来越多的人们投身于高光谱遥感图像分类的方法研究中，挖掘其蕴含的海量信息，实现充分有效的利用。

传统的算法如支持向量机、随机森林、贝叶斯等对早期的高光谱遥感图像分类做出了重要贡献，一般通过对高光谱遥感图像进行降维后，利用数学算法和机理实现样本的分类。Liu等人选用径向基函数作为支持向量机的核函数，通过提取到的光谱信息完成对高光谱图像的分类。Jonathan等人根据高光谱遥感图像的像素稀疏表示特征和光谱信息，分别构造随机森林，并利用投票机制完成了分类过程。但这些传统的方法具有一定的局限性，诸如高光谱遥感图像中存在“同物异谱”和“同谱异物”现象，数据结构呈现高度非线性，而基于统计识别模式的分类模型难以对原始图像进行处理；高光谱遥感图像存在“Hughes现象”的问题，传统算法只能获取光谱信息用于分类，因此容易出现分类精度随维度增加而降低的现象。

深度学习是基于对数据进行表征学习的一种机器学习方法，目的是建立、模拟人脑进行分析学习的多层神经网络，用来解释一些图像、声音、文本等数据，并且已经在高光谱遥感领域得到广泛应用。由于深度学习可以提取图像中更抽象、更深层的特征，相比较传统的分类方法，深度学习不但可以提取到光谱信息，还可以利用空间信息与光谱信息相结合进行分类，因此具有更强的分类能力。深度学习方法中以深度神经网络为代表，深度神经网络中的卷积神经网络在高光谱遥感图像分类中取得了良好的应用，然而卷积神经网络的输入信息量与分类效果并不是完全正相关，一定模型下，太过复杂的输入不仅会使得训练时间、分类时间变长，甚至会导致精度不增反而下降。因此有必要对卷积神经网络分类前的特征提取过程进行深入研究，能够在开销较小的前提下，达到特征的自适应细化的目的。

发明内容

为了解决上述问题，本发明提供了基于注意力机制和卷积神经网络高光谱遥感图像分类方法，基于注意力机制和卷积神经网络高光谱遥感图像分类方法，主要包括以下步骤：

S101：根据主成份分析法，对原始高光谱遥感图像R₁进行降维，将降维后的高光谱遥感图像R₂进行样本取块，得到一个高光谱样本块T₁；获得的高光谱样本块即为高光谱样本的特征信息；