[发明专利]一种高光谱影像分类方法和存储介质

权利要求书

1.一种高光谱影像分类方法，其特征在于，所述高光谱影像分类方法包括：

构建卷积网络和图注意力网络的加权融合模型；

将高光谱遥感图像输入所述加权融合模型，从而获取所述高光谱遥感图像的影像数据；

对所述影像数据降维并去噪，得到去噪数据；

利用所述去噪数据迭代训练所述加权融合模型，训练步骤包括：

对所述去噪数据进行超像素特征嵌入和归一化，获得归一化数据；

利用空间注意力机制提取所述去噪数据中的空间注意力信息和通道注意力信息；

利用2维卷积神经网络对所述空间注意力信息和所述通道注意力信息抽取高光谱影像特征；

将抽取到的所述高光谱影像特征进行多维特征加权融合，获得复合超像素和像素级特征的特征信息，至此完成一次训练；

利用交叉熵损失函数和方向传播函数对所述加权融合模型反复迭代训练，获得训练好的所述加权融合模型；

利用训练后的所述加权融合模型对高光谱影像进行分类；

所述对所述影像数据降维并去噪，得到去噪数据包括：

利用1维卷积神经网络处理对高光谱影像降维并去噪：

其中，经过1维卷积神经网络处理后的特征输出，h,w,m分别为特征图的长、宽和通道数，K_i,j,b,m为1维卷积神经网络的卷积核，i、j和b分别为卷积核的不同位置，B_h,w,m为1维卷积神经网络的偏置，σ(表示leakyReLU激活函数；

所述对所述影像数据降维并去噪，得到去噪数据还包括：

对降维并去噪后的所述高光谱影像的像素级特征和超像素特征进行编码，首先构建联系矩阵，所述联系矩阵为第一数学表达式：

其中，X为输入的三维高光谱影像，为按照光谱维度展平的高光谱影像，为i位置的按照光谱维度展平的高光谱影像，S_j为超像素级别高光谱影像，O_i,j为在位置i,j的联系矩阵；

然后构建超像素和像素的编码器，所述编码器为第二数学表达式：

其中，V为超像素特征，Encoder(X；O)为像素级特征编码器，Flatten(X)为将高光谱数据展开成一维向量，且o为数据预处理部分得到的联系矩阵，为超像素构建的联系矩阵的转置；

对降维并去噪后的所述高光谱影像的像素级特征和超像素特征进行编码后还包括：

对编码后的所述高光谱影像的像素级特征和超像素特征进行解码，解码器的数学表达式为：

其中，为解码后的三维高光谱影像，Decoder(为超像素特征解码器，Rshape(表示执行维度变换操作；

利用编码器得到的节点特征，利用图注意力网络计算节点嵌入信息：

其中，α_ij为注意力系数，leakyReLU为激活函数，W和a为不同的可学习参数，k∈N_i为只计算节点邻居的注意力系数，v_i和v_j分别为i位置和j位置的超像素特征，K为多头注意力机制的头数，δ为leakyReLU激活函数，a^T为转置的可学习参数；

将得到的节点嵌入信息经过解码器解码返回到栅格数据，得到归一化的特征，即：

其中为归一化的特征图，x^*为从超像素节点转换回像素的特征，E[x^*]为x^*的均值，Var[x^*]为x^*的方差，γ,β为两个不同位置的可学习参数；

所述利用空间注意力机制提取所述去噪数据中的空间注意力信息和通道注意力信息包括：

首先通过空间注意力机制提取空间注意力信息，所述空间注意力信息表示为第三表达式：

其中，Z_j为得到的空间注意力信息，m^p为通过自注意力机制得到空间注意力系数，为位置i和位置j的相关程度，C_i为通过1维卷积神经网络对原始特征图进行变换得到的新特征图，且i＝1,2,...,N，N为空间中像素总数，为输入的特征图的第j个通道，α为第一可学习参数；

再通过空间注意力机制得到通道注意力信息，所述通道注意力信息表示为第四表达式：

其中，Z_j为得到通道注意力信息，m^c为通过自注意力机制得到通道注意力图，m^c_ji为位置i和位置j的相关程度，为输入的特征图的第i个通道，且i＝1,2,...,N，C为空间中通道总数，β为第二可学习参数；

所述利用2维深度可分离卷积神经网络对所述空间注意力信息和所述通道注意力信息抽取高光谱影像特征还包括：

使用2维深度可分离卷积神经网络进行特征抽取：

其中，经过2维深度可分离卷积神经网络处理后的特征输出，为2维深度可分离卷积神经网络的卷积核，为2维深度可分离卷积神经网络的偏置，σ为leakyReLU激活函数，i、j和b分别为卷积核的不同位置；

所述将抽取到的所述高光谱影像特征进行多维特征加权融合包括：

利用下述表达式进行多维特征融合：

F＝η·AC+(1-η)·SG

其中，η为权重参数，F为融合的影像特征，AC,SG分别为基于卷积神经网络分支和基于图卷积网络分支产生的影像特征；

所述利用交叉熵损失函数和方向传播函数对所述加权融合模型反复迭代训练，获得训练好的所述加权融合模型包括；

使用交叉熵损失函数计算损失，所述交叉熵损失函数为：

其中，L(Y,P)为损失值，Y指分类标签图，P为预测的标签图，N为预测的标签总数，D为地物类别总数，且d＝1,2,...,D，y_i,d为第i个像素预测为d类，p_i,d为将第i个像素预测为d类的概率。

2.一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质中存储有如权利要求1所述的一种高光谱影像分类方法。