[发明专利]一种高光谱图像分类方法

权利要求书

1.一种高光谱图像分类方法，所述高光谱图像属于航拍器拍摄获取的遥感图像，其特征在于，所述高光谱图像分类方法基于3D Octave卷积和Bi-RNN注意力网络，所述Bi-RNN即双向循环神经网络，所述高光谱图像分类方法包括以下步骤：

步骤S1、获取待分类的高光谱遥感图像；

步骤S2、利用连续4个以上的3D Octave卷积获取用于高光谱图像的空间特征信息Z；

步骤S3、将执行完步骤S1后输出的高光谱数据视为一个有序光谱向量，跟步骤S2并行的，将光谱序列一一输入的双向隐藏层，并将正向隐藏层输出的状态和反向隐藏层输出的状态通过串联函数连接起来，得到向量g_n；

步骤S4、将双向隐藏层连接后的输出向量g_n，作为注意力模块的输入；通过注意力机制随机初始化得到的概率权重W_i与向量g_n的乘积，加上一个偏置参量b_i，经过tanh激活函数后，再经softmax函数计算得到注意力权重参数β；

步骤S5、将注意力权重参数β与由步骤S3得到的向量g_n对应值相乘，然后对其进行求和，以得到新的光谱信息向量标签y；

步骤S6、将步骤S2中3D Octave卷积网络最后一层全连接层提取的空间特征信息Z，与步骤S5中Bi-RNN注意力网络的最后一层全连接层得到的新的光谱信息向量标签y结合起来，形成一个新的全连接层，输出特征向量；

步骤S7、将特征向量输入两层以上的全连接层网络，再经softmax层来预测分类结果；

且其中的步骤S2包括：

令用于高光谱图像分类的图像的大小为W×H×L；

重塑高光谱图像分类数据为X，大小为L×N，其中N＝W×H；

将高光谱数据X作为3D Octave卷积网络的输入，假设Octave卷积网络的输入和输出数据分别为X＝{X^H，X^L}，Z＝{Z^H，Z^L}，其中，H和L分别表示为高频信息和低频信息；即输入的高光谱数据X和经3D Octave卷积网络数据处理后输出的数据Z分别都可表示为对应的高频信息和低频信息之和；

建立Octave卷积模型如下：

Z^H＝Z^H→H+Z^L→H和Z^L＝Z^L→L+Z^H→L；

其中，Z^H→H，Z^L→L分别表示高频频率内和低频频率内的高光谱图像数据信息的更新，Z^L→H，Z^H→L分别表示低频到高频频率间和高频到低频频率间的高光谱图像数据信息的转换；

为完成高光谱图像的高频特征信息和低频特征信息的更新和转换，假设Octave卷积模型对应的权重参数为W＝[W^H，W^L]；同样，权重参数W^H和W^L分别定义为W^L＝[W^L→L,W^H→L],W^H＝[W^H→H,W^L→H]，其中，W^H→H，W^L→L表示对应频率内的信息更新权重，W^H→L，W^L→H表示对应频率间的信息转换权重；

由上获得Z^H和Z^L的表达式分别为：

其中，式(1)和式(2)中T表示矩阵转置，up表示上采样操作，pool表示平均池化操作；

计算Octave卷积网络输出Z，Z的表达式如下：

Z＝[Z^L，Z^H]

 ＝[(Z^L→L+Z^H→L)，(Z^H→H+Z^L→H)]

 ＝[∑(W^L)^TX，∑(W^H)^TX]

 ＝[Σ(W^L→L)^TX^L+Σ(W^H→L)^Tpool(X^H)，Σ(W^H→H)^TX^H+up(∑(W^L→H)^TX^L)]。