[发明专利]一种高光谱图像分类识别方法

说明书

本发明公开了一种高光谱图像分类识别方法，属于高光谱遥感图像处理技术领域，首先对原始高光谱遥感影像进行预处理，有效保留包含信息最多的光谱波段，其次通过三维卷积网络和注意力机制对图像不同侧重点的特征分三阶段提取，具体来说特征分为光谱特征，空间特征和空谱特征三类，同时通过循环神经网络提取多尺度特征并保留特征间的联系，最后进行分类。

技术领域

本发明属于高光谱遥感图像处理技术领域，具体涉及一种高光谱图像分类识别方法。

背景技术

遥感(Remote Sensing)是一门利用电磁波原理来获取远方信号并使之成像，能够遥远地感受感知远方事物的技术，是一门新兴科学。随着计算机技术及光学技术的提高，遥感技术也得到了迅速的发展。近年来，各式各样的遥感卫星不断成功发射，推动了遥感数据获取技术朝着三高(高空间分辨率、高光谱分辨率和高时间分辨率)和三多(多平台、多传感器、多角度)方向发展。

高光谱遥感具有光谱分辨率高的特点，它通过在不同空间平台上搭载高光谱传感器，从而可以在电磁波谱的可见光、近红外、中红外和热红外波段范围内，以连续的光谱波段对地表区域同时成像，波段数目可达到数十以致数百个，并获得地物连续的光谱信息，从而实现了地物空间、辐射和光谱信息的同步获取。与常规遥感相比，主要区别在于高光谱遥感是窄波段成像，且除了二维的空间信息外，还增加了一维光谱信息，使得遥感技术的应用领域得到了拓展。

但是高光谱图像光谱波段范围广，拥有丰富的空间信息和光谱信息的同时，也带来了数据冗余和维数灾难等问题。分类是获取遥感信息的方法之一。同类目标在遥感图像中具有相同或相似的光谱和空间特征，根据不同目标类别间的特征差异可以实现分类。高光谱图像中丰富的光谱信息为目标分类提供有力的依据的同时，也为高光谱图像的分类引入了一些困难。高光谱图像的高维特性、波段间高度相关性、“同物异谱”和“异物同谱”现象、训练样本较少等使得高光谱图像分类面临巨大挑战。

近些年基于深度学习的图像分类方法受到普遍的关注。其中的深度卷积神经网络利用逐层结构叠加的特性，来自动提取物体的特征。而注意力机制大多用于优化提取的特征，根据不同特征的重要程度分配权重，解决标记样本少，光谱维度高，难以处理的问题。这些方法在高光谱图像分类的任务中已经取得了不错的成果，但仍然存在一些问题。首先，目前的分类方法大多是对卷积网络的简单堆叠，而较少针对提取信息的不同对模型结构做调整，实验证明调整后的模型分类精度更高。其次由于卷积核的感受野是局部的，要经过累积很多层之后才能把整个图像不同部分的区域关联起来。因此，高层和低层的特征图相差较大而又各有优势，因此将多尺度特征融合起来能提升分类精度，常用的方法是将多尺度的多个特征图简单相加或合并，但这样的操作并没有考虑到几个特征图之间和特征图内数据间的联系，而循环神经网络能更好的解决这个问题。

发明内容

发明目的：为了提高高光谱遥感图像分类精度，本发明提供了一种高光谱分类方法，是一种基于三维卷积网络和注意力机制并通过循环神经网络提取多尺度特征的高光谱遥感影像分类方法。

技术方案：为了实现上述目的，本发明是通过如下的技术方案来实现：

一种高光谱图像分类识别方法，包括如下步骤：

1)对原始高光谱遥感影像进行预处理；

2)通过三维卷积网络和注意力机制对图像分三阶段提取不同侧重点的特征，分别为光谱特征，空间特征和空谱特征；通过循环神经网络提取多尺度特征并保留特征间的联系，最后进行分类。

进一步地，所述的步骤1)中，通过PCA对输入的图片数据进行降维。

进一步地，所述的步骤2)中具体为：由三维卷积提取图像特征，根据卷积核大小的不同将其区分为三个部分先后进行提取光谱信息，提取空间信息和提取空谱信息的操作。