[发明专利]一种基于注意力机制的无人机高光谱农作物快速分类方法

说明书

本发明针对无人机高光谱影像，公开了一种基于注意力机制的无人机高光谱农作物快速分类方法，主要包括：使用光谱注意力模块提取通道间的上下文信息；使用尺度注意力模块提取多尺度上下文信息；使用空间注意力模块中融合低层细节特征和高级语义特征；设计边界约束的损失函数进一步增加农作物特征的区分性。本发明能够适用于海量高维非线性数据结构的双高影像农作物精细分类，极大改善了双高影像农作物分类结果中错分孤立区域现象，是一种快速精确的农作物精细分类方法，可满足无人机载高光谱影像农作物精细分类制图的需求。

技术领域

本发明属于遥感图像处理技术领域，特别涉及一种基于空谱多尺度注意力机制和边界约束损失函数的深度学习农作物快速精准识别方法

背景技术

无人机搭载的高光谱系统可以获取具有高空间分辨率的高光谱图像(本专利中简称为“双高”影像)。由于低运行成本，高灵活性和实时数据采集的能力，无人机载高光谱数据已成为农业遥感监测的重要数据源。然而，无人机载双高影像针对多类农作物精细分类时仍面临以下挑战。一方面，在双高影像农作物精细分类中，不同农作物之间光谱信息相似，类间差异小；另一方面，随着双高影像空间分辨率的提升，地物的空间异质性逐渐增大，进而加剧地物光谱的变异性，使得同类农作物的类内方差增大。此外，双高影像由于超高的光谱分辨率和空间分辨率使得数据量海量高维，需要一种快速实时的数据处理方法。

当前的高光谱农作物分类方法有基于统计分析的光谱信息分类、空谱特征融合分类，基于数据驱动的深度学习分类方法。基于统计分析的方法只能学习到浅层特征，并且依赖专家知识的手工特征设计，难以适用于海量高维非线性数据结构的双高影像。基于深度学习的分类方法主要以取空间块的方式为主，以标记像素为中心选取邻域的三维空间块作为网络的输入，这种策略只能利用局部空谱信息，在双高影像农作物分类结果中会造成大量错分的孤立区域，并且推理速度慢，计算效率低。

发明内容

本发明针对无人机高光谱影像，提出一种基于注意力机制网络的农作物快速分类方法，具有以下三个显著特点。一是设计全卷积神经网络框架实现全局空谱信息融合，推理速度快，相比于采用空间块作为输入的深度学习方法推理速度可提升百倍以上；其二，设计光谱-空间注意力模块引入通道维、空间维上下文信息，同时设计尺度注意力模块自适应的选取多尺度上下文信息，实现全局多尺度上下文空谱信息融合。其三，针对农作物光谱信息相似，类间差异小的问题，设计边界约束的损失函数，增加类别特征之间的区分性。

本发明提供基于注意力机制网络的无人机载高光谱影像农作物快速分类方法，具体实现步骤如下：

步骤1，对输入影像进行镜像填充；

步骤2，对镜像填充影像进行通道降维；

步骤3，构建用于农作物分类的网络模型，包括以下子步骤；

步骤3.1，使用光谱注意力模块提取通道间的上下文信息，获得低层细节特征；

步骤3.2，使用尺度注意力模块提取多尺度上下文信息，获得高级语义特征；

步骤3.3，使用空间注意力模块中融合低层细节特征和高级语义特征；

步骤3.4，将空间注意力模块最终输出的特征图输入边界约束的损失函数中，输出loss值；

步骤3.5，反向传播loss值更新网络模型参数；

步骤4，将待分类的双高影像输入到网络模型，输出预测分类结果，实现农作物的精细分类识别。

进一步的，所述步骤2的实现方式如下，

将镜像填充后的影像X依次经过一个“卷积层-组归一化层-非线性激活层”的网络结构进行通道降维，输出特征图F，其中组归一化考虑高光谱影像光谱连续性。

进一步的，所述步骤3的实现方式如下，