[发明专利]一种高光谱图像分类模型的构建方法、分类方法及系统

权利要求书

1.一种高光谱图像分类模型的构建方法，其特征在于，所述的构建方法为：

步骤一，获得高光谱图像，并对所述高光谱图像进行标准化，使高光谱图像符合0均值单位方差的高斯分布；

步骤二，对标准化后的高光谱图像的像素对应的地物类别进行类别标定，获得标定样本集和标签集；

步骤三，以标定样本集中每个样本的像素为中心构造邻域数据立方体，所述邻域数据立方体的维度为w*w*B，其中w*w代表像素的空间邻域，B为高光谱图像的初始波段数，对构造得到的邻域数据立方体按照设定比例进行划分，得到训练样本集、验证样本集和测试样本集；

步骤四，将训练样本集和验证样本集中每个样本对应的邻域数据立方体作为网络的输入，以标签集作为期望输出，对网络进行训练，获得训练好的网络模型；

所述的网络包括依次级联设置的网络输入层、数据降维模块、光谱注意力模块、二次数据降维模块、空间注意力机制模块、池化模块和全连接网络；

所述的数据降维模块包括依次连接的两个卷积模块，所述的卷积模块包括依次连接的卷积层、批量归一化层和激活函数层；

所述的光谱注意力模块包括依次连接的多个光谱注意力特征层；

所述的二次数据降维模块包括一个卷积层；

所述的空间注意力机制模块包括依次连接的多个空间注意力特征层。

2.如权利要求1所述的构建方法，其特征在于，所述的步骤三中构造邻域数据立方体时如遇到边界问题，采用0边界填充的方法对边界进行扩充。

3.如权利要求1所述的构建方法，其特征在于，所述的步骤四的具体方法为：

将训练样本集和验证样本集中每个样本对应的邻域数据立方体作为网络的输入，以标签集作为期望输出，计算训练样本的真实标签与网络预测输出值的交叉熵损失，将最小化该交叉熵损失作为优化目标，采用自适应矩估计算法优化网络，将得到的网络模型在验证集上测试，若得到的分类准确率优于之前网络模型，则更新网络模型参数，直至迭代结束，保存在验证集上分类准确率最高的模型，获得训练好的网络模型，对训练好的网络模型采用测试样本集评价分类性能。

4.一种高光谱图像分类方法，其特征在于，包括以下步骤：

获得待分类的高光谱图像集，输入网络模型，用网络模型对高光谱图像的每个像素进行分类，得到最终的分类结果；

所述的网络模型为上述权利要求1～3任一项所述的高光谱图像分类模型的构建方法构建得到的高光谱图像分类模型。

5.一种高光谱图像分类系统，其特征在于，所述的分类系统包括图像采集模块、数据预处理模块以及分类模块；

所述的图像采集模块用于获取高光谱图像；

所述的数据预处理模块用于为所述高光谱图像进行标准化处理，使得输入图像符合0均值单位方差的高斯分布；

所述的分类模块采用权利要求4的方法对高光谱图像进行分类并输出分类结果。