[发明专利]高光谱图像特征处理方法、分类方法、装置、系统及存储介质

说明书

本申请公开了一种高光谱图像特征处理方法、分类方法、装置、系统及存储介质，高光谱图像特征处理方法为先接收高光谱图像，然后将高光谱图像的空谱域信息分别输入至N个特征提取模块，对应得到至少N级特征图，然后对至少N级特征图进行融合处理，得到融合特征图，其中，N为大于等于2的正整数，至少N级特征图具有不同尺度的空谱特征。与单一尺度的空谱特征图相比，本申请融合了多个不同尺度的空谱特征的融合特征图的判别能力更突出，有利于提高后续对高光谱图像分类的准确率。

技术领域

本申请涉及图像处理技术领域，特别涉及一种高光谱图像特征处理方法、分类方法、装置、系统及存储介质。

背景技术

与传统的RGB图像相比，高光谱图像包含更加丰富的地物空间信息和光谱信息，在许多方面得到了广泛的应用。例如，在农业领域，高光谱图像可以监视农作物长势情况，对农作物做产量估计；在军事领域，高光谱图像可以通过不同的光谱特性做军事目标侦察和伪装识别；在地质勘测领域，可以根据不同矿产的光谱性质不同的特点做矿产资源的精细识别、填图、勘测。

然而高光谱图像的标记样本较为稀缺，通过采用小样本学习算法可以在一定程度高光谱图像的标记样本稀缺问题，但是，目前的小样本学习算法通常使用单一尺度的特征来进行预测，忽视了其他尺度的特征，导致后续的高光谱图像分类的准确率较低。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种高光谱图像特征处理方法、分类方法、装置、系统及存储介质，能够得到融合了多个不同尺度的空谱特征的融合特征图，与单一尺度的空谱特征图相比，更具备判别能力。

本申请第一方面实施例提供了一种高光谱图像特征处理方法，包括：

接收高光谱图像；

将所述高光谱图像的空谱域信息分别输入至N个特征提取模块，对应得到至少N级特征图；其中，N为大于等于2的正整数，所述至少N级特征图具有不同尺度的空谱特征；

对所述至少N级特征图进行融合处理，得到融合特征图。

根据本申请第一方面实施例的高光谱图像特征处理方法，至少具有如下有益效果：本申请实施例的高光谱图像特征处理方法，先接收高光谱图像，然后将高光谱图像的空谱域信息分别输入至N个特征提取模块，对应得到至少N级特征图，然后对至少N级特征图进行融合处理，得到融合特征图，其中，N为大于等于2的正整数，至少N级特征图具有不同尺度的空谱特征。与单一尺度的空谱特征图相比，本申请融合了多个不同尺度的空谱特征的融合特征图的判别能力更突出，有利于提高后续对高光谱图像分类的准确率。

根据本申请第一方面的一些实施例，所述特征提取模块包括至少一个卷积块和至少一个注意力块；

所述将所述高光谱图像的空谱域信息分别输入至N个特征提取模块，对应得到至少N级特征图，包括：

将所述高光谱图像的空谱域信息输入至第S个特征提取模块；其中，S＝1，2.....N；

通过所述卷积块对所述高光谱图像进行卷积处理，通过所述注意力块对所述高光谱图像使用注意力权重进行更新处理，得到第S级特征图。

根据本申请第一方面的一些实施例，所述第S个特征提取模块包括S+1个卷积块和S个注意力块；

所述通过所述卷积块对所述高光谱图像进行卷积处理，通过所述注意力块对所述高光谱图像使用注意力权重进行更新处理，得到第S级特征图，包括：

通过第1个所述卷积块对所述高光谱图像进行第1次卷积处理，得到第1次卷积处理结果；其中，所述第1次卷积处理结果的空谱特征的尺度为所述高光谱图像的空谱域信息尺度的一半；

通过第L个所述注意力块对第L次卷积处理结果进行第L次注意力权重更新处理，得到通过第L次注意力权重更新处理后的特征图；其中，L＝1，2，.....S；