[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

说明书

本发明提供了一种高光谱图像分类模型的构建方法，图像分类方法及系统，构建方法为：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；进行类别标定，获得标定样本集和标签集；构造邻域数据立方体，按照设定比例进行分类，得到训练样本集、验证样本集和测试样本集；将邻域数据立方体作为网络的输入，对网络进行训练，本发明提供的高光谱图像分类方法采用先提取光谱注意力特征后提取空间注意力特征的级联网络结构，使得网络更加关注感兴趣空间区域和有意义光谱波段，将光谱特征和空间特征结合起来，充分利用了丰富的光谱信息和空间信息，因此可获得更高的分类精度，且得到的分类图像视觉上更加连续。

技术领域

本发明属于高光谱图像处理技术领域，具体涉及一种高光谱图像分类模型的构建方法、分类方法及系统。

背景技术

高光谱图像通常被看作是一个三维数据立方体，除了具有空间上宽度和高度两个维度外，往往还有上百个波段的光谱信息。这些波段除了包含可见光谱外还包括紫外及近红外等波段信息，利用这些丰富的信息人们可以发现在可见光中不可见的感兴趣目标，为人类学习世界和改变世界提供强大的技术支撑，因此有越来越多针对高光谱图像的研究。

高光谱图像分类是高光谱图像研究中的一个研究热点，它是指利用高光谱图像的空间信息和光谱信息将图像逐像素的分类。早期的方法有基于支持向量机的分类方法，主成分分析降维再分类的方法和基于稀疏表示的方法等。由于这些方法不能很好地利用图像的深度信息，往往导致分类准确率较低。

近年来，基于深度学习的方法在图像分类和目标检测中取得了很大的成功，因此出现了很多基于深度学习的高光谱图像分类方法。常用的深度学习的网络有自动编码器，深度置信网络和卷积神经网络，以及将残差块和迁移学习相结合的网络等。尽管现有的基于深度学习的方法可以获得较好的分类精度，但是大多数现有的方法都需要较多的训练样本，网络复杂度高，网络深度较深，需要训练的参数较多等不足。而实际应用中，高光谱图像的标定样本往往是有限的，所以现有的方法的分类准确率还有待提高，针对不同数据集的鲁棒性还有待增强。

发明内容

针对上述现有技术的不足与缺陷，本发明的目的在于提供一种高光谱图像分类模型的构建方法，图像分类方法及系统，解决现有技术中的方法由于对高光谱图像特征提取不充分，导致高光谱图像分类准确率不高的问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：一种高光谱图像分类模型的构建方法，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串联的设置的网络输入层、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。