[发明专利]一种高光谱特征提取方法、装置及存储介质

说明书

本发明涉及一种高光谱特征提取方法、装置及计算机存储介质，本发明提出的基于多模态注意力编码的高光谱特征提取方法，通过构建空间维序贯特征提取模块实现对像元空间数据中两种序贯信息的有效提取，通过双向长短期记忆层移除序贯特征提取过程序贯方向对性能的影响，通过针对不同序贯信息来构建不同注意力权重矩阵，实现对序贯信息中重要部分的强化，实现信息的高性能融合，最终有效提升提取到的特征的表达能力。

技术领域

本发明涉及遥感技术领域，尤其是指一种高光谱特征提取方法、装置及计算机存储介质。

背景技术

在遥感领域，高光谱成像技术在多种研究中被广泛使用。高光谱图像包含了极其丰富的空间信息和光谱信息，其中空间信息指在各个光谱波长下单一像元的具体空间位置信息，光谱信息指单一像元在各个光谱波长下光谱反射率组成的连续光谱曲线。通过对高光谱图像进行特征提取研究，可以得到蕴含重要判别信息的嵌入特征，减少图像的冗余信息，并可以进一步提升后续分类研究中的识别精度。早期，高光谱图像特征提取方法主要提取像元的光谱特征，并没有考虑不同像元位置信息之间的差异，因此这些方法难以取得较好的分类结果。近年来，随着计算机的算力急剧提升，并伴随着深度学习研究的不断深入，大量针对本研究领域的神经网络方法相继被提出，这些方法中引入了多传感器数据融合的理论思想，对空间信息和光谱信息构建映射来进行提取，并最后实现特征融合，这类方法避免了重要高光谱信息的大量缺失，从而进一步提升了相关算法的分类性能。

高光谱特征提取方法从数据多样性的角度一般可分为基于光谱信息的特征提取方法和基于空-谱信息的特征提取方法。

基于光谱信息的高光谱特征提取方法主要利用高光谱图像中单一的光谱曲线来对特征提取模型进行构建，同时不考虑像元在空间层面的空间位置，属于单模态学习。早期较为常用的方法一般包括主成分分析(Principle Component Analysis，PCA)，最小化噪声分离(Minimum Noise Fraction， MNF)，线性判别分析(Linear Discriminant Analysis，LDA)等等。同时为了应对非线性数据，一些基于流形学习的方法也被提出，例如局部线性嵌入(Local Linear Embedding，LLE)，拉普拉斯特征映射(Laplacian Eigenmaps，LE)，多维尺度分析(Multidimensional Scaling，MDS)等等。此类方法一般只考虑高光谱像元内部的重要判别信息，以此来保障像元的分类能力。近年来，随着深度学习研究的不断深入，一些深度网络模型也被广泛应用到高光谱图像特征提取相关的研究中，例如自动编码器(Auto-encoder，AE)、变分自动编码器(Variational Auto-encoder，VAE)、长短期记忆网络(Long Short Term Memory，LSTM)等等。然而，此类方法没有考虑高光谱像元的空间位置关系，因此也仅从光谱层面对高光谱图像中的判别信息进行详细的描述，缺乏重要空间信息，无法充分发挥高光谱图像的“图谱合一”的优势，即图像中空间信息和光谱信息之间存在协同性。目前来说，本研究领域的主流高光谱特征提取方法是基于空-谱信息的特征提取方法。