[发明专利]高光谱图像深度学习分类方法、装置、设备及存储介质

权利要求书

1.一种高光谱图像深度学习分类方法，其特征在于，包括：

获取待分类高光谱图像；

根据预设窗口大小对所述待分类高光谱图像进行随机裁剪，得到对应的数据集；

通过图像变换方式对所述数据集进行数据扩充，得到对应的待分类样本集；

通过经训练获得的预置神经网络分类模型对所述待分类样本集中的高光谱图像进行分类标签预测，并将得到的分类标签填充到与对应待分类高光谱图像相同大小的矩阵中，得到所述待分类高光谱图像对应的图像分类结果；

采用预置分类评价指标对所述图像分类结果进行评价，得出符合对应评价指标要求的高光谱图像分类结果及分类精度。

2.根据权利要求1所述的高光谱图像深度学习分类方法，其特征在于，所述根据预设窗口大小和所述已标记样本集A对所述待分类高光谱图像进行随机裁剪，得到对应的数据集之前，包括：

获取预定数据规模的已标记样本集，所述已标记样本集中的高光谱图像已按分类标签进行标记，通过分层随机抽样，按照预设的样本比例将高光谱已标记样本集划分成样本集A和样本集B两部分，其中样本集B作为测试集；

根据预设窗口大小和所述已标记样本集A，对高光谱图像进行随机裁剪，得到对应的待训练样本集；

通过图像变换方式对所述待训练样本集进行数据扩充，得到对应的深度学习样本集。

3.根据权利要求2所述的高光谱图像深度学习分类方法，其特征在于，所述通过图像变换方式对所述待训练样本集进行数据扩充，得到对应的深度学习样本集之后，包括：

采用随机抽样将所述深度学习样本集划分为训练集和验证集；所述训练集用于训练及构建所述预置神经网络分类模型、所述验证集用于调整和优选所述预置神经网络分类模型的训练参数、所述测试集用于测试所述预置神经网络分类模型的精度和鲁棒性。

4.根据权利要求2所述的高光谱图像深度学习分类方法，其特征在于，所述通过图像变换方式对所述待训练样本集进行数据扩充，得到对应的深度学习样本集之后，还包括：

将所述深度学习样本集输入三维卷积残差网络模型，并采用不同步长的残差连接分别构建空间特征提取网络支路和光谱特征提取网络支路；

通过在所述空间特征提取网络支路中设置三维卷积核的空间维超参数，以并行的方式提取所述深度学习样本集中高光谱图像的空间特征，并对得到的空间特征进行波段叠加；

通过在所述光谱特征提取网络支路中设置三维卷积核的光谱维超参数，以并行的方式提取所述深度学习样本集中高光谱图像的光谱特征，并对得到的光谱特征进行波段叠加；

采用卷积循环神经网络模型提取所述深度学习样本集中高光谱图像的光谱时序特征；

使用级联策略将所述时间序列特征、所述叠加空间特征和叠加光谱特征输入到所述三维卷积残差网络模型的平均池化层进行特征融合，得到特征融合的高光谱图像；

利用softmax函数对所述特征融合的高光谱图像进行高光谱图像的自动识别和分类，并得到构建的神经网络分类模型，所述神经网络分类模型的构建基于所述三维卷积残差网络模型和卷积循环神经网络模型。

5.根据权利要求3所述的高光谱图像深度学习分类方法，其特征在于，所述利用softmax函数对所述特征融合的高光谱图像进行高光谱图像的自动识别和分类，并得到构建的神经网络分类模型之后，还包括：

对所述神经网络分类模型进行算法迭代，直至重复次数达到预设的迭代次数或分类精度达到预设的精度要求，得到对应的预置神经网络分类模型。

6.根据权利要求3所述的高光谱图像深度学习分类方法，其特征在于，所述通过在所述光谱特征提取网络支路中设置三维卷积核的光谱维超参数，以并行的方式提取所述深度学习样本集中高光谱图像的光谱特征，并对得到的光谱特征进行波段叠加之后，还包括：

在所述三维卷积残差网络模型中添加Dropout层，按照预设的概率随机丢弃所述三维卷积残差网络模型中某些神经元，并将隐藏层或输出层权重归零。