[发明专利]用于高光谱图像分类的残差密集视觉转换方法和系统

说明书

本申请提供了一种用于高光谱图像分类的残差密集视觉转换方法、系统、计算机可读存储介质和电子设备。该方法通过残差密集视觉转换网络执行，残差密集视觉转换网络包括：跨尺度自注意投影模块、局部残差转换模块和全局残差连接模块；通过跨尺度自注意投影模块的多尺度卷积层，对高光谱图像进行局部空间的光谱信息提取，得到跨尺度自注意力特征；通过多个局部残差转换模块对高光谱图像局部空间的光谱信息进行多尺度投影，并对多尺度投影的结果沿光谱通道进行编码，得到多个多尺度投影特征；通过全局残差连接模块对多个多尺度投影特征进行分层特征融合，并将跨尺度自注意力特征与分层特征融合后的输出特征进行叠加，得到高光谱图像的残差融合特征。

技术领域

本申请涉及图像分类技术领域，特别涉及一种用于高光谱图像分类的残差密集视觉转换方法、系统、计算机可读存储介质和电子设备。

背景技术

高光谱图像(Hyperspectral Image，简称HSI)在每个像素的光谱维度上收集有数百个波段，为细粒度级别的土地覆盖识别提供了丰富的空间和光谱信息，为高精度地球观测任务(比如，土地覆盖识别、城市变化检测、环境检测等)提供了巨大的潜力。

目前，高光谱图像进行分类时主要包括三个步骤：首先，对高光谱图像进行图像预处理，以去除图像中的噪声、恢复缺失数据等；然后，对预处理后的图像进行降维；最后，采用支持向量机(SVM)、K近邻(KNN)分类器等对降维图像进行特征提取，比如，主成分分析方法、独立成分分析方法以及非参数加权特征提取方法等。然而，传统的线性特征提取方法丢弃了光谱中的详细光谱信息，降维操作使得图像失去了“高光谱”的意义；而且使用独立的光谱曲线来识别像素，忽略了图像的空间信息。

因而，亟需提供一种针对上述现有技术不足的技术方案。

发明内容

本申请的目的在于提供一种用于高光谱图像分类的残差密集视觉转换方法和系统，以解决或缓解上述现有技术中存在的问题。

为了实现上述目的，本申请提供如下技术方案：

本申请提供一种用于高光谱图像分类的残差密集视觉转换方法，所述方法通过残差密集视觉转换网络执行，所述残差密集视觉转换网络包括：跨尺度自注意投影模块、局部残差转换模块和全局残差连接模块；所述方法包括：通过所述跨尺度自注意投影模块的多尺度卷积层，对所述高光谱图像进行局部空间的光谱信息提取，得到跨尺度自注意力特征；通过多个所述局部残差转换模块对所述高光谱图像局部空间的光谱信息进行多尺度投影，并对所述多尺度投影的结果沿光谱通道进行编码，得到多个多尺度投影特征；通过全局残差连接模块对多个所述多尺度投影特征进行分层特征融合，并将所述跨尺度自注意力特征与所述分层特征融合后的输出特征进行叠加，得到所述高光谱图像的残差融合特征。

优选的，所述跨尺度自注意投影模块的多尺度卷积层为多个不同尺度的卷积层；所述通过所述跨尺度自注意投影模块的多尺度卷积层，对所述高光谱图像进行局部空间的光谱信息提取，得到跨尺度自注意力特征，具体为：通过所述跨尺度自注意投影模块的多个不同尺度的卷积层，对所述高光谱图像分别进行局部空间的光谱信息提取，得到所述高光谱图像的多个不同尺度的局部空间特征；对所述高光谱图像的多个不同尺度的局部空间特征进行特征融合，并使用1x1卷积层重新加权，得到所述跨尺度自注意力特征。

优选的，所述局部残差转换模块包括：多尺度投影子模块和通道多层感知器；对应的，所述通过多个所述局部残差转换模块对所述光谱信息进行多尺度投影，并对所述多尺度投影的结果沿光谱通道进行编码，得到多个多尺度投影特征，具体为：由第i个所述局部残差转换模块的所述多尺度投影子模块分别沿高度、宽度和光谱维度对所述高光谱图像局部空间的光谱信息进行编码,得到第i个所述局部残差转换模块的多尺度投影子特征；其中，i为正整数；由第i个所述局部残差转换模块的所述通道多层感知器沿光谱通道对第i个所述局部残差转换模块的多尺度投影子特征进行编码，得到第i个所述局部残差转换模块的所述多尺度投影特征。