[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

说明书

本发明公开了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及系统，方法包括：对高光谱图像进行归一化预处理操作，并将数据集分为训练集和测试集；使用空‑谱注意力残差神经网络对输入的高光谱图像进行卷积来分别获取空间和光谱信息；利用训练好的网络对测试集的数据进行空‑谱特征提取，在对该神经网络进行训练的同时计算出核极限学习机隐藏层的输出权重矩阵，之后将提取的特征以及输出权重矩阵输入到核极限学习机中，从而达到对高光谱图像的分类目的。本发明充分利用高光谱图像光谱注意力信息和空间注意力信息，能够对高光谱遥感数据进行深度的特征提取从而快速精确的分类。

技术领域

本发明属于遥感图像处理领域，具体涉及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及系统。

背景技术

近年来，空间信息技术的发展和卫星数量的增加为遥感技术的发展提供了丰富的具有空间和光谱信息的遥感图像数据。高光谱图像作为一种特殊的遥感图像，其光谱覆盖范围广，包括了紫外、可见光、近红外以及中红外区域，且带有丰富的空间信息和光谱信息，被广泛应用于环境监测、城市规划、国防、地质勘测和农作物检测等领域。

高光谱图像处理包括分类、解混、变化检测和目标检测等，其中高光谱图像分类作为高光谱图像处理的主要任务之一，旨在根据像素特征为其分配特定的类别标签，从而获得地物的分布图来反映地物的真实分布情况，为后续对于高光谱图像的其他处理提供基础。

高光谱图像分类是一种描述地物目标或种类的分析技术，其主要任务是对数据中的每个像元赋予一个类别以产生专题制图的一个过程。在许多高光谱技术的应用领域中，根据高光谱图像对地物信息进行分类都是一个重要环节，虽然高光谱图像的数据处理取得了很大的成就，但是数据处理技术远远不能满足现实需要。目前高光谱图像分类遇到的两大主要问题有：(1)有限样本条件下的波段冗余，高光谱数据的高维度与有限训练样本之间的矛盾导致的Hughes现象是其在分类应用中面临的一个关键问题；(2)空间信息的利用不足，高光谱图像不仅仅是像元的无序集合，有序排列的直接体现是空间特征，空间信息的提取与分析不当影响分类效果，是我们面临的一些挑战。

在过去的二十年里，人们提出了大量的方法来解决HSI分类任务。深度学习理论凭借其强大的自动学习能力,在自然语言处理和图像分类等领域取得了优异的成果。与传统机器学习方法相比,深度学习理论不需要人工设计特征,能够实现端到端学习。卷积神经网络CNN(Convolutional Neural Network)模型能够直接处理二维图像数据,在图像处理领域具有独特的优势,通过添加非线性激活函数,能够提取图像的非线性特征。但是，随着网络层数的增加，CNN模型在训练过程中容易出现梯度消失现象。

发明内容

本发明的目的在于提供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及系统。

实现本发明目的的技术解决方案为：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，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。

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系统，用于实现上述高光谱图像分类方法，所述系统包括：

第一模块，用于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；