[发明专利]基于残差和注意力的深度网络高光谱影像分类方法

说明书

本发明公开一种基于残差和注意力的深度网络高光谱影像分类方法，该方法首先将高光谱图像原始数据集进行波段划分和归一化处理，得到高光谱影像数据集；再通过主成分分析方法提取数据集的第一主成分影像作为引导图像；从中选择一定像素的邻域作为输入样本，并进行三维操作，对各个波段进行批处理，提取三维的特征张量；对三维的特征张量进行二维操作，提取更精细的空间特征；再进入一维操作，获得嵌入特征。最后将获得的嵌入特征和对应的空间特征分别输入包含Dsupgt;2/supgt;CEL损失函数的原型网络分类器中进行分类，得到预测结果。本发明不仅优化了高光谱空间分类模块的设计和应用，提高了深度模型的泛化能力；还产生了更多的区别特征，实现了更精确的HIS分类。

技术领域

本发明涉及高光谱图像处理与应用技术领域，尤其涉及一种基于残差和注意力的深度网络高光谱影像分类方法。

背景技术

高光谱图像(HSI)分类是通过为每个像元分配单个标签来区分不同的地物，在森林勘察、城市检测和土地覆盖制图等领域得到了广泛应用。然而，由于HSI的固有特征，如相对有限的标记样本、高维度和光谱特征的空间变异性等，使得HIS的高精度分类仍然是一个具有挑战性的任务。通常，高维是由众多的光谱波段引起的，但由于空间信息相似，相邻频带之间存在大量的冗余信息，并且标记通常是昂贵的、费力的、耗时的，这就产生了维数诅咒(即休斯现象)，增加了训练数据的过拟合的风险，导致分类模型的泛化能力较差。考虑到这一问题，研究了特征提取来减少数据维数，并在分类决策前捕获可区分的图像特征。

典型的特征提取(FE,feature extraction)方法包括主成分分析、局部线性嵌入和线性判别分析。其中，主成分分析因其简单有效而被广泛应用于预处理。例如，在分类框架的第一阶段进行分类，以提取明显的特征，同时减少数据冗余。近年来，深度学习算法因其优异的性能在HSI分类中得到了发展和应用。与传统的分类模型相比，深度学习最显著的特点是在端到端的层次结构框架中学习高级特征。这样，提取的特征更加细化和有代表性，有利于进一步分类问题的解决。用于HSI分类的表示网络包括堆叠自编码器、深度信念网络和卷积神经网络。特别地，卷积神经网络可以利用拥有局部接受野的优势，提取出具有较少可训练参数的有效不变特征。然而，上述模型的输入样本都是一维的(平坦斑块或光谱向量)，这导致了FE 相位不可避免的空间信息丢失。最重要的是，光谱特征的空间变异性所造成的问题并没有得到解决。

发明内容

针对上述现有技术的不足，本发明提供一种基于残差和注意力的深度网络高光谱影像分类方法。

为解决上述技术问题，本发明所采取的技术方案是：基于残差和注意力的深度网络高光谱影像分类方法，包括如下步骤：

步骤1：输入待分类的高光谱图像原始数据集；

步骤2：对输入的高光谱图像原始数据集进行波段划分和归一化处理，得到高光谱影像数据集，具体如下：

其中，s＝m×n为一个m行n列的高光谱影像的像素点个数，p表示高光谱影像的波段数，xsp表示第p个波段的第s个像素点；

步骤3：通过主成分分析方法提取高光谱影像数据集的光谱特征，并获取第一主成分影像作为引导图像I，过程如下：

步骤3.1：计算归一化后的高光谱影像数据集的协方差矩阵，过程如下：

步骤3.1.1：计算第j个波段所有像素的均值，如下公式所示：

其中，1≤t≤s，1≤j≤p，为第j个波段所有像素的均值，x_tj表示第j个波段的第t个像素点值；

步骤3.1.2：计算高光谱图像数据集第j个波段的协方差矩阵，如下公式所示：