[发明专利]一种基于自适应空谱多尺度网络的高光谱图像分类方法

权利要求书

1.一种基于自适应空谱多尺度网络的高光谱图像分类方法，其特征在于，包含以下步骤：

步骤1，将高光谱图像复制一份，取其中一份数据进行归一化处理；

步骤2，从步骤1的另一份高光谱图像，使用PCA进行降维处理，并进行归一化，接着采用镜像方式进行边界延展；

步骤3，获取空间数据块，从降维并归一化后的高光谱图像中分别提取以待分类像元为中心的w×w×k邻域范围内的数据块P_w×w×k作为输入的空间特征，k是降维后高光谱图像通道数，

步骤4，获取光谱数据，将步骤1中高光谱图像中每个像元所在处的1×1×L维度的向量作为该像元的光谱特征，L数据的通道数；

步骤5，将步骤3、4中提取的含有标签的数据中随机抽取一部分数据作为训练集，剩下的数据则用于处理待分类像元；

步骤6，构建自适应空谱多尺度网络，分为光谱特征提取分支和空间特征提取分支，其中光谱特征提取分支的输入为原始的光谱数据，输出为光谱特征V_spec；空间特征提取分支的输入为空间数据块，输出为空间特征V_spat；

具体的，步骤6中光谱特征提取分支包括p个一维卷积层，每层卷积层后接一个一维池化层，然后再把每个池化层后的特征图分组送入一维序列模型；另外将原始光谱数据不分组也直接输入一维序列模型；将从一维序列模型输出的所有特征相加，并通过一层全连接层后得到光谱特征V_spec；

空间特征提取分支包含偶数个卷积层，具体包含q个卷积层-扩张卷积层单元，每个扩张卷积层后均有一个空间上下文信息提取分支，首先将数据块P_w×w×k通过上述卷积层生成特征图，然后将经过每个扩张卷积层后的特征图输入空间上下文信息提取分支；

所述空间上下文信息提取分支包含空间分组和空间上下文信息提取两部分：首先对特征图在空间维上进行分组，具体如下，假设特征图尺寸为H×W×C，假设在行列方向分别分t组，则最终会得到t²组，且分组后每个时间步输入多维序列模型的特征图大小为空间分组完毕后，接下来确定将各组在不同时间步输入多维序列模型的顺序：首先利用t个具有t时间步的多维序列模型在列方向上提取行方向t个组的特征；接着再利用1个具有t个时间步多维序列模型在行方向上提取列方向的已获得的上下文信息的上下文信息，完成整个特征图空间上下文信息的提取；将所有分支经过多维序列模型提取出的空间上下文特征展平，并分别输入不同的全连接层中，再将这些全连接层的输出相加，然后再经过一个全连接层，得到最终的空间特征V_spat；

然后将V_spec与V_spat分别通过一个全连接层，得到分数向量U_spec与U_spat，将二者进行特征加权，得到高光谱图像空谱分数向量U_ss，最后再经过一个softmax得到分类图；

步骤7，利用训练数据对上述网络进行训练，网络参数采用Xavier初始化，参数优化时则采用带有动量的随机梯度下降法最小化网络的损失函数，训练完成后，该网络能够有效提取高光谱图像的空谱特征并进行分类；

步骤8，将待分类数据输入训练好的网络，完成高光谱图像全图的分类。

2.如权利要求1所述的一种基于自适应空谱多尺度网络的高光谱图像分类方法，其特征在于：步骤1中归一化处理的方式如下，

其中x_ijc表示高光谱数据S₁中像元x_ij在波段c处的值，x_cmin,x_cmax则是S₁中波段c的最小值与最大值。

3.如权利要求1所述的一种基于自适应空谱多尺度网络的高光谱图像分类方法，其特征在于：步骤2的具体实现方式如下，

设高光谱数据为S₂，首先进行PCA降维，并采用步骤1方式进行归一化，接着采用镜像方式先进行上下翻转与左右翻转分别得到与将左右翻转或者将上下翻转得到根据和按如下方式拼接得到大图从截取以S₂为中心的图像，截取边界拓展若干个像素的图像S′₂；