[发明专利]基于多路注意力机制的语义卷积高光谱图像分类方法

说明书

本发明公开了一种多路注意力机制的语义卷积高光谱图像分类方法，主要解决现有技术对提取特征利用率不足所造成信息丢失，或者保留过多无关信息造成信息冗余的问题。其方案是：1)输入高光谱图像，生成样本数不同的训练样本集和测试样本集；2)构建多路注意力机制的语义卷积神经网络；3)将训练样本集分次输入到多路注意力机制的语义卷积神经网络，利用随机梯度下降法对该网络进行训练，直到focal loss损失函数收敛；4)将测试样本输入到训练好的多路注意力机制的语义卷积神经网络得到分类结果。本发明能在少训练样本下获得高准确率的分类，可用于对高光谱图像的地物种类探测。

技术领域

本发明属于遥感信息处理技术领域，更进一步涉及一种高光谱图像分类方法，可用于土地资源评估、灾害监测。

背景技术

高光谱以其丰富的波段信息记录了地物目标的连续光谱特征，具备了能够进行更多种类地物目标识别和更高精度地目标分类可能性。高光谱图像分类技术的关键在于利用高光谱图像的空间特征和谱间特征对样本类别进行分类。在土地资源评估、灾害监测方面具有重要意义。然而现有的分类方法还是主要依赖大量的训练样本，由于样本标注难以获取，因此在少样本情况下很容易导致过拟合问题，进而影响了样本分类准确率。

Wenju Wang等人在其发表的论文“A Fast Dense Spectral-SpatialConvolution 8etwork Framework for Hyperspectral Images Classification”(RemoteSensing,2018)中提出一种利用端到端的稠密光谱-空间卷积网络FDSSC对高光谱图像进行分类的方法。该方法以原始三维立方体作为输入数据。在端到端的光谱-空间稠密网络中，谱间稠密块首先从立方体输入数据中提取谱间特征，然后空间稠密块从学习到的谱间特征中再次学习出谱间-空间识别特征，对该谱间-空间识别特征再通过平均池化得到一维的向量，紧接着用全连接层对一维向量进行降维并输入到分类层进行高光谱图像分类。该方法由于在谱间特征提取中和空间特征提取中仅采用特征提取的卷积操作，而没有对提取的谱间-空间特征进行区分性的关注和筛选，在分类时没有关注到某些具有可分辨性特征，导致整个网络在高光谱图像分类上效果不佳。

西北工业大学在其授权的专利文献(授权公告号：CN 105320965 B)中公开了一种基于深度卷积神经网络的空谱联合的高光谱图像分类方法。该方法的具体步骤是：首先利用少量标签数据，训练卷积神经网络，并利用该网络自主提取高光谱图像的空谱特征，不需要任何压缩降维的处理；然后，利用提取到的空谱特征训练支持向量机SVM分类器，对图像进行分类；最后，结合已训练好的深度卷积神经网络和训练好的分类器，得到一个能够自主提取高光谱图像的空谱特征并对其进行分类的深度卷积神经网络结构DCNN-SVM。该方法由于深度卷积神经网络对高光谱图像中所有空谱特征的权重是相同的，没有关注到某些具有可分辨性的空谱特征，使得支持向量机SVM分类器在高光谱图像分类上效果不佳。

除此上述列举的高光谱图像分类方法之外，目前基于深度卷积神经网络的高光谱图像分类方法都与上述两个方法类似，这些方法的共性就是在谱间和空间特征提取时由于对提取的特征利用率不足所造成信息丢失，或者保留过多无关信息造成信息冗余，没有获得更具有可分辨性的谱空语义特征，从而导致在少样本训练时这些方法对高光谱图像分类效果不佳。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于多路注意力机制的语义卷积高光谱图像分类方法，以提高高光谱图像中在少样本训练的情况下地物目标分类的精度。

为实现上述目的，本发明的实现方案包括如下：

(1)输入原始三维高光谱图像，并在高光谱图像边缘填充0像素的尺寸t；再在填充操作后的高光谱图像中，以每个像素点为中心，选取高光谱图像块；

(2)用高光谱图像块生成样本数不同的训练样本集和测试样本集；

(3)搭建多路注意力机制的语义卷积神经网络；