[发明专利]级联空谱特征融合与核极限学习机的高光谱图像分类方法及系统

权利要求书

1.一种级联空谱特征融合与核极限学习机的高光谱图像分类方法，其特征在于，包括以下步骤：

步骤1、对光谱成像仪采集到的高光谱图像进行预处理操作，并将数据集分为训练集和测试集；

步骤2、使用空-谱注意力残差神经网络对输入的高光谱图像分别获取光谱特征信息和空间特征信息，通过训练集对该卷积神经网络进行训练，利用训练好的空-谱注意力残差神经网络对测试集进行光谱和空间的特征信息提取；

步骤3、将步骤1预处理数据的训练集再输入到核极限学习机中计算出隐藏层的输出权重矩阵，步骤2取得的空-谱图像特征信息和输出权重矩阵输入到核极限学习机分类器中，实现高光谱图像分类。

2.根据权利要求1所述的级联空谱特征融合与核极限学习机的高光谱图像分类方法，其特征在于，所述步骤1中的预处理具体步骤如下：

(1.1)计算高光谱图像数据集中数据的均值；

(1.2)将所述高光谱图像数据集中每个样本数据的值减去均值；

(1.3)将减去均值的高光谱集进行相同分辨率下的重塑。

3.根据权利要求1所述的级联空谱特征融合与核极限学习机的高光谱图像分类方法，其特征在于，所述步骤2具体步骤如下：

(2.1)设计使用光谱注意力特征提取模块来提取图像的光谱信息；

首先，使用一系列的二维卷积来扩大接受域，而池化层用来降低分辨率，从而获得空间域的全局信息；

然后，使用全局平均池化方法对空间信息进行压缩和汇总；

接着，两个一维卷积用来学习光谱波段之间的非线性关系，参数r用来控制一维卷积核，从而用来控制光谱信息的聚集程度；

最后，使用sigmoid激活函数，得到具有全局谱信息的加权向量，通过对加权向量和输入的三维立方体进行内积运算，得到更有代表性的光谱特征；

(2.2)设计使用空间注意力特征提取模块来提取图像的空间信息；

在高光谱图像上上执行主成分分析算法；B∈R^s×s×d代表图像块的输入，其中S×S代表空间大小，d代表光谱的波段数；利用1×1×d的三维卷积核将输入转换为S×S×d的3个特征映射；这三种特征图从上到下分别用f(X_k)∈R^s×s×o，g(X_k)∈R^s×s×o以及h(X_k)∈R^s×s×o代表，从而减少通道的数量和简化计算；其中的计算公式为：

f(X_k)＝σ(W_f*X_k+b_f)

其中，W_f和b_f分别代表卷积运算中的权重参数和偏置参数；同理，和计算如下：

g(X_k)＝σ(W_g*X_k+b_g)

h(X_k)＝σ(W_h*X_k+b_h).

将上一步得到的三个特征图像重塑为SS×O尺寸：

R＝f(X_k)g(X_k)^T

这一步是计算特征图像中任意两个像素之间的相关性；使用sigmoid激活函数进行归一化操作后，可得到对所有像素进行加权的掩模；然后，如下所示，将注意系数与特征图h(X_k)相乘，得到注意特征：

Att＝Rh(X_k)

最后，通过卷积扩展通道的数量以获得与输入相同的大小；将注意特性Att添加到输入特性X_k中，实现跳跃连接；

(2.3)设计残差块对光谱和空间特征信息分别进行深度的特征提取，残差网络通过以短连接的方式，将残差单元的输入连接到单元的输出上，得到优化后的空-谱注意力残差神经网络。