[发明专利]一种基于全局注意力残差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全局注意力残差网络的高光谱图像分类方法，包括：构建整体网络，包括多尺度特征提取网络、全局注意力模块和改进的残差网络模块；进行多尺度特征提取，提取到高光谱图像层次化的特征；全局注意力模块通过空间注意力模块和光谱注意力模块的结合构建全局像素点的空间和光谱依赖关系；将改进的残差网络模块和全局注意力模块进行融合，成为一个新型的全局注意力残差网络；将输出结果经过全局池化送入分类器中进行最终分类，并输出结果。本发明通过引入多尺度大小感受野和全局注意力模块来同时获取丰富的空间‑光谱特征，并加入改进的残差网络缓解梯度消失问题，加快网络收敛，从而提高了分类精度，保证了良好稳定的分类效果。

技术领域

本发明高光谱遥感图像处理技术领域，具体涉及一种基于全局注意力残差网络的高光谱图像分类方法。

背景技术

高光谱图像(HSI,HyperSpectral Images)近些年来在各种遥感领域如目标检测、农业监测、海洋安全等方面具有重大应用，高光谱图像不同于常规的二维数字图像，它是一个三维立方体数据，由二维数字图像和一维光谱维度组成。光谱波段包含着丰富的地理特征信息，因此，特征选择和特征提取对于高光谱像素点分类尤为重要。以往对高光谱图像常用分类方法包括：K最近邻(K-NN,K Nearest Neighbour)[6]，极端学习机(ELM,ExtremeLearning Machine)以及支持向量机(SVM,SupportVector Machine)等。它们都是借助光谱信息进行分类，K近邻是机器学习领域最简单的分类器；而极端学习机是一种新型的快速学习算法，对于单隐层的神经网络，ELM可以随机初始化输入权重和偏置并得到相应的输出权重。支持向量机(SVM)则是通过小样本数据训练来追求对模型的最佳逼近，来获得模型复杂度和学习能力之间的最佳平衡点，是广泛应用的机器学习算法之一。除此之外，主成分分析(PCA,Principal ComponentAnalysis),它通过频段选择压缩光谱波段来减少噪声的干扰，可以保留住重要的特征，特别适合于高光谱图像分类。

近些年来基于深度学习方法的图像分类越来越受到研究者的青睐。深度学习图像分类的基础思想是通过多层神经元的密集连接，用简单的线性方程和激活函数获得非线性的特征，从原始图像数据中提取抽象特征，通过大量的原始数据的训练，形成特定网络权重参数，从而提高图像的分类准确率。高光谱图像的光谱维度多达几十甚至上百个波段，Chen等人首次将深度学习的概念引入到高光谱图像分类中，提出一种基于堆叠自编码器(SAE)模型，利用自动编码器提取原始数据信息，最后利用SVM分类，然而这种方法只利用了光谱信息却忽视了对空间信息的利用；为了进一步利用高光谱图像的空间特征信息，基于卷积神经网络(CNN,convolutional neural network)的高光谱算法被提出。CNN由于其出色的图像表征能力在计算机视觉领域获得了巨大的突破并被成功应用到了高光谱图像分类领域。Makantasis等人设计了一种基于2D卷积神经网络模型，通过周围像素填充将中间像素打包成固定大小的块，输入到神经网络中进行空间信息提取，最后送入多层感知器进行分类。但是越来越多的研究发现，单纯利用一种维度进行图像分类难以达到预期的效果，因此研究者们更多的把目光放到了空间信息和光谱信息联合的分类实验上。

随着特征提取的不断深入，神经网络不可避免越来越深，梯度弥散和网络退化的现象随着训练次数的增加变得越发严重，分类精度不升反降；并且卷积神经网络中的卷积核尺寸大小多为固定参数，限制了感受野范围，通常来说，感受野较大则会无法捕捉到图像细粒度结构，而感受野较小往往又会消除图像的粗粒度结构，固定的感受野大小无法适应不同地物特征的图像；由于高光谱图像本身的光谱冗余特性，神经网络的特征提取能力有限，如何从高光谱图像的众多复杂特征中，选择性筛出更加关键的特征成为了提升性能的关键。

发明内容