[发明专利]基于奇异值分解和空谱域注意力机制高光谱图像分类方法

权利要求书

1.基于奇异值分解和空谱域注意力机制高光谱图像分类方法，其特征在于，包括以下步骤：

S1、从数据集中读入高光谱图像，其中包括三个广泛使用的高光谱图像数据集，即Indian Pines数据集，Pavia University数据集和Salinas Valley数据集，选择任一种且对应只有部分区域的类标ground truth图进行处理；

S2、对样本进行粗处理，构造基于奇异值分解卷积网络的无监督特征提取模型；

S3、按照训练集：验证集：测试集＝10％：10％：80％的方式，选取训练集、验证集和测试集；

S4、对样本进行细处理，构造基于空谱域注意力机制网络的双支路分类模型；

S5、利用训练数据集对分类模型进行训练，得到训练好的分类模型；

S6、利用训练好的分类模型对测试数据集进行分类，得到测试数据集中每个像素点的类别。

2.根据权利要求1所述的基于奇异值分解和空谱域注意力机制高光谱图像分类方法，其特征在于，步骤S2具体为：

S201、随机在原始图像上选择N个像素点，以每个像素为中心取邻域7×7的区域作为样本块，输入样本块，对样本块去平均处理；

S202、假设光谱维度为C，将处理后的样本块组合成一个新的矩阵X，矩阵X的大小为(7×7×C)×N，其中每一列为一个样本块，含有7×7×C个元素；

S203、对矩阵X进行奇异值分解操作，得到矩阵X的左奇异矩阵U；

S204、选择左奇异矩阵U的前L个列向量，将每一个列向量组合成大小为7×7×C的卷积核，对原图像做卷积操作，提取特征。

3.根据权利要求1所述的基于奇异值分解和空谱域注意力机制高光谱图像分类方法，其特征在于，步骤S3具体为：

S301、在数据集的ground truth图中找到有类标的点的坐标；

S302、对原始数据边缘进行补0填充操作，边缘填充的大小为上下各填充3行，左右各填充3列；

S303、根据ground truth图的坐标，在数据集的原始图像中找到有对应类标的像素点，以每个像素为中心取邻域7×7的区域作为样本块，每个块的邻域为中心点的分类所服务；

S304、按照训练集：验证集：测试集＝10％：10％：80％在每类样本中随机选取相应数量的样本作为训练集、验证集和测试集。

4.根据权利要求1所述的基于奇异值分解和空谱域注意力机制高光谱图像分类方法，其特征在于，步骤S4具体为：

S401、针对样本谱域的注意力机制网络的支路；

S402、针对样本空域的注意力机制网络的支路；

S403、融合谱域与空域的特征，并对样本分类。