[发明专利]轻量化深度可分离卷积特征融合网的高光谱图像分类方法

说明书

本发明公开了一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；使用构建的训练模型对预处理的卷积神经网络进行训练，得到最终训练结果；将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；根据高光谱图像分类结果输出分类图像。本发明采用光谱信息与空间信息相融合的方法，降低参数数量，增加网络深度，提升网络运行效率，改善了分类准确度。

技术领域

本发明属于图像处理技术领域，具体涉及一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法。

背景技术

近年来随着高光谱遥感技术的逐渐强大，遥感数据维度不断增加，对高光谱数据分类问题带来了极大挑战。高光谱数据具有数据量大、相关性、多维度、非线性等特点，选择有效的算法用到高光谱数据的分类中，成为了高光谱遥感图像数据分析的重要问题。根据深度学习的特点，在高光谱图像分类任务中引入深度神经网络的理论和模型，使得通过高光谱遥感获取的丰富信息被充分利用，对现实应用有着重要的意义。而在高光谱遥感图像处理的过程中，处理数据量与计算量过大仍是现实存在的一个问题。因此，轻量化图像处理技术进入我们的视野。在轻量化图像处理中，如何在模型轻量化和计算量降低的情况下保证一个较好的精确度结果是我们目前所需实现的目标。

在HSI分类的早期，特征提取仅关注光谱信息。仅利用光谱信息的方法未能捕获重要的空间变化，通常导致(分类器)性能差。事实上，在HSI中，不同的物体可能表现出相似的光谱特征，而不同位置的相同物体可能会出现不同的光谱特征。对于这样的物体，仅使用光谱特征进行分类是非常困难的。

近年来，通过使用卷积神经网络对高光谱图像进行分类的方法显示了优良的性能。通常，网络深度对于许多视觉识别任务至关重要，尤其是对于处理具有非常复杂的空谱特征的HSI而言。但是，过度增加深度会给常规的CNN带来一些负面影响(例如，过度拟合，梯度消失和精度下降)。由于这个原因，以前在HSI分类中使用的网络仅采用几个卷积层，更深层次的区分特征无法充分提取，对卷积神经网络的性能造成了影响。

在最近的研究工作中，如何使用光谱空间联合信息对高光谱图像进行分类以及对网络进行轻量化处理成为解决上述问题的重要研究方向。通过提取光谱特征与空间特征进行综合使用，克服传统方法只利用高光谱图像光谱信息的缺点，提高了网络的特征信息提取能力，改善了网络分类效果。轻量化卷积神经网络模型设计，是指在借鉴现有卷积神经网络结构基础上，重新设计网络结构，以达到减少参数量，降低计算复杂度的目标。通过对网络进行轻量化处理，可将HSI分类中使用的网络由几个卷积层增加至数十个卷积层，极大地提高了网络的特征提取能力。

尽管上述方法均从不同方面试图解决高光谱图像分类任务中存在的问题，但仍不全面。如何更充分利用高光谱图像空谱信息和降低高光谱图像分类网络参数量增加网络深度仍面临巨大挑战。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，充分利用轻量化结构分别提取空间信息与光谱信息通过多层特征融合进行样本预测，再经过投票表决预测最终分类结果。

本发明采用以下技术方案：

轻量化深度可分离卷积特征融合网的高光谱图像分类方法，包括以下步骤：

S1、处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；

S2、设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；

S3、使用步骤S2构建的训练模型对步骤S1预处理的卷积神经网络进行训练，得到最终训练结果；