[发明专利]一种高光谱图像分类方法

说明书

本发明公开了一种高光谱图像分类方法，其结合了3D Octave卷积和Bi‑RNN注意力网络的优点，首先利用3D Octave卷积获取用于高光谱图像的空间特征的同时减少空间冗余信息，然后利用Bi‑RNN光谱注意力网络提取高光谱图像的光谱信息，将空间和光谱特征图经全连接层实现特征融合，最后再经过softmax输出分类结果。本发明实现了在低训练样本下对高光谱遥感图像的准确分类，采用并行数据处理方式，加快了模型的运行速度。

技术领域

本发明属于遥感领域中的高光谱图像处理领域，具体涉及一种高光谱图像分类方法。

背景技术

高光谱遥感技术是计算机科学以及地理学等多门学科交叉的技术，它通过高光谱成像仪，在不同的电磁波范围内利用狭窄的光谱间隔成像，以获得能反向地物光谱特征的光谱曲线。在相同的空间分辨率下，记录数百个光谱带的数据，以形成具有大量空间和光谱信息的三维高光谱图像。高光谱图像使用二维空间成像来表示单个波段中表面物体的反射效果，将多个波段的反射效果按照顺序依次组合，形成具有多层面，近似连续的光谱向量维。每个高光谱像素点特性由这些光谱向量构成，并且每个像素数据是一个连续的光谱曲线，详细的记录了所观察的地物信息。由于高光谱图像可以详尽地描述地面物体的光谱信息和空间信息，因此，随着高光谱图像分类技术的发展，高光谱图像分类被广泛应用于环境监测，城乡规划，矿物开采，国防建设和精准农业等领域。

高光谱图像分类方法大致可以分为基于光谱信息的分类方法、基于空间-光谱特征联合的分类方法和深度学习分类方法三类。第一类方法仅利用高光谱图像中的光谱维度信息，忽略了空间上像素之间的相关性；第二类方法在一定程度上提高了高光谱图像的分类性能，但它们很大程度上是取决于手工制作特征。即分类图效果主要由低级特征决定，然而这并不能表示高光谱图像中复杂的内容，使得分类性能受到限制；第三类方法相较于前两类传统浅层分类方法，它具有更强的表征和泛化能力，可以提取到更深层的图像特征，获得更多的判别特征以获得良好的分类结果。但尽管这些方法获得了较好的分类效果，但基于卷积神经网络的模型都伴随着大量空间维度信息的冗余，在某种程度上会严重影响模型性能。同时，在深度学习中，高光谱遥感图像进行人工标记需要耗费大量的人力物力，导致现成的标记样本较少。因此，如何在减少空间信息冗余的情况下，在低训练样本下，学习高光谱遥感图像的空间和光谱特征，提高高光谱图像的分类精度，具有重要意义。

针对当前所有利用Octave卷积来进行高光谱图像分类的模型方法，它们只解决了减少空间特征信息冗余的问题。但是在高光谱图像的光谱信息的提取方法方面，他们不是利用Octave卷积本身来提取光谱信息，就是利用基于卷积神经网络的方法来提取光谱信息。这两类提取光谱信息的方法都是将高光谱数据的光谱信息视为一个无序高维向量进行数据处理，这不符合光谱数据的特性，会破坏光谱间的相关性，以致会造成影响到光谱信息的提取，无法准确的提取光谱特征信息的问题。

针对当前所有利用Bi-RNN(双向循环神经网络)进行高光谱分类的方法，都无法避免存在大量空间特征信息冗余的问题，以致会产生无法准确提取图像空间维度的信息，影响分类精度的问题。而针对现有利用Octave卷积方法来进行光谱图像分类，其数据流是串行的，存在无法并行运行处理的问题。

例如专利申请CN 202010066659.2公开了一种基于3维和2维混合卷积的高光谱遥感图像分类方法，包括获取待分类的高光谱遥感图像；利用主成分分析法进行光谱降维；根据光谱信息量将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；根据光谱带含有的光谱信息量对光谱带赋予对应的权重；对光谱带中每个像素点取一个固定空间大小的立方体数据，利用3维卷积根据立方体数据提取光谱-空间特征，再利用2维卷积进行光谱信息的融合，得到最终的特征图；采用协方差池化方法，从特征图中提取二阶信息，输出特征向量；将特征向量输入至三层全连接网络得到预测分类结果。该发明结合了3维和2维卷积的优点，实现了在低训练样本下对高光谱遥感图像的准确分类。但是，该发明的步骤S2中需要先对光谱进行降维预处理，导致该方法和模型相对复杂。此外，该方法中无法避免空间信息冗余的问题，该方法对光谱信息的提取能力也不够高。