[发明专利]基于注意力机制和循环神经网络的高光谱图像分类方法

说明书

本发明公开了一种基于注意力机制和循环神经网络的高光谱图像分类方法，主要解决现有技术中对高光谱图像特征提取不充分导致的分类精度偏低的问题。实现步骤为：(1)构造循环神经网络；(2)生成训练集；(3)训练循环神经网络；(4)对待分类的高光谱图像进行分类。本发明利用注意力提议模块和处理模块得到输入高光谱图像空间像素块需要重点关注的局部区域，利用循环神经网络提取待分类高光谱图像的空间‑光谱联合特征，得到分类结果，具有高光谱图像分类精度高的优点，可用于资源勘探、森林覆盖和灾害监测等领域的地物目标识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及高光谱图像分类技术领域中的一种基于注意力机制和循环神经网络的高光谱图像分类方法。本发明可用于对高光谱图像中的地物目标进行分类和资源勘探、森林覆盖、灾害监测等领域的地物目标识别。

背景技术

随着遥感科学技术和成像技术的发展，高光谱遥感技术的应用领域越来越广泛。高光谱数据在普通二维图像数据的基础上又增加了一维的光谱信息，可视为三维数据立方体。高光谱遥感图像可获取目标地物在紫外、可见光、近红外和中红外等大量波段内近似连续的光谱信息，对地物精确识别具有重要价值。高光谱遥感图像已经被广泛用于城市环境监测、地表土壤监测、地质勘探、灾害评估、农业产量估计和农作物分析等方面。近年来，高光谱图像分类方法相继被提出，基于K-近邻和支撑矢量机等传统分类方法和基于循环神经网络和卷积神经网络等深度学习方法均取得了不错的结果。然而，高光谱图像分类领域依然存在以下一些问题，如高光谱图像“同物异谱、同谱异物”的特性，即同类像素光谱差异性大而不同类像素特性差异小，导致传统分类器难以正确判别；除此，高光谱图像拥有丰富的空间信息和光谱信息，传统的分类方法难以充分提取这两类信息中的高辨识性特征并进行两种特征的融合分类，导致分类精度不高。

Lichao Mou等人在其发表的论文“Deep Recurrent Neural Networks forHyperspectral Image Classification”(《IEEE Transactions on GeoscienceRemoteSensing》，2017，55(7):3639-3655)中提出了一种基于深度循环神经网络的高光谱图像分类方法。该方法将高光谱图像看成是一个包含时序信息的图像，认为不同波段之间的图像具有时序性，接着构造基于单个像素点的特征向量，然后将特征向量的每个波段值依次输入对应的循环网络模块，最终通过一个全连接层和softmax层得到网络将单个像素点分为各类的类别概率，实现对高光谱图像逐像素点分类。循环卷积网络不同于传统的前馈神经网络，可以记忆前面几层网络的信息并应用于当前层的计算中，擅长处理具有时序关系的序列信号，使用循环神经网络对高光谱图像进行分类得到了不错的效果。但是，该方法仍然存在的不足之处是，设计的循环神经网络更深，训练参数更多，忽略了每个像素点与它邻域像素点的空间相关性和相似性，没有有效利用空间信息，致使光谱和空间信息的融合不足，可辨别特征提取不充分，分类精度不高。

北京航空航天大学在其申请专利文献“一种基于深度学习的高光谱图像分类方法”(专利申请号：201710052345.5，申请公布号：CN106845418A)中提出了一种高光谱图像分类方法。该方法首先采用非线性的自编码网络对高光谱图像进行降维。在降维后的图像中，将有标签像元邻域的数据立方体作为样本输入卷积神经网络，然后将像元对应的标签作为卷积神经网络的期望输出，训练卷积神经网络，最后将训练好的卷积神经网络作用于高光谱图像中的每个像元，得到分类结果。该方法虽然保留了样本的非线性信息，但是，该方法仍然存在的不足之处是，网络训练参数太多，样本数目相对于网络参数数目过少，训练时间长，分类速度慢的问题。

发明内容

本发明的目的是针对上述现有技术的不足，提出了一种基于注意力机制和循环神经网络的高光谱图像分类方法，用于解决现有技术中高光谱图像光谱信息和空间信息融合不足，可辨别特征提取不充分，网络训练参数太多，分类精度不高和分类速度慢的问题。