[发明专利]用于高光谱图像分类的全局学习装置及方法

说明书

本发明提供一种用于高光谱图像分类的全局学习装置及方法。该装置包括：编码器和解码器；编码器按照图像处理顺序依次包括光谱维调整层、第一特征提取层和第二特征提取层；第一特征提取层包括堆叠在一起的三个MLBSA结构层；MLBSA结构层包括三个洗牌光谱注意SSA模块、两个MLB层和一个下采样层；第一个SSA模块的输入通过Zero‑padded卷积模块之后与下采样层的输出进行相加融合操作后的输出作为MLBSA结构层的输出；解码器按照图像处理顺序依次包括第一上采样层、Concat层和输出层；第一特征提取层中的第一个MLBSA结构层的输出作为第一上采样层的输入，第二特征提取层的输出与第一上采样层的输出经过Concat层进行融合，融合结果经输出层处理以完成高光谱图像的分类。

技术领域

本发明涉及高光谱图像分类技术领域，尤其涉及一种用于高光谱图像分类的 全局学习装置及方法。

背景技术

高光谱成像技术可同时探测到目标物体的二维几何空间信息和一维连续的 光谱信息，使得高光谱图像具有“图谱合一”的特点。几何空间信息可以反映出 目标物体的大小，形状等外部特征，而光谱信息能够反映目标物体内部的物理结 构和化学成分。因此，高光谱遥感被广泛应用于岩矿物质检测、海洋植物检测、 水资源应用与土地资源利用等领域。

如何构建一种更准确有效的分类方法是高光谱遥感技术应用中的一个关键 的问题。传统的分类算法，如支持向量机(SVM)、三维小波变换、高斯混合 等通常采用波段选择和特征提取的方式来降低原始图像的维数，将图像投影到低 层特征空间。这些方法往往改变了原始图像的波段相关性，丢失了部分光谱信息， 无法充分提取到高光谱图像中抽象特征，从而影响了分类精度。

近年来，随着深度学习技术应用与发展，基于卷积神经网络(CNN)构建 的算法模型已经被广泛应用到图像分类(Lecun Y,Bottou L.Gradient-based learning appliedto document recognition[J].Proceedings of the IEEE,1998, 86(11):P.2278-2324.)，语音识别，目标检测，图像语义分割等多个领域，CNN 表现出了强大特征提取能力。越来的越多的研究者使用CNN取代传统分类方法， 应用于高光谱图像分类中。当前基于CNN的分类模型朝向了更深或更宽层的复 杂结构演进。虽然在一定程度上取得不错效果，但是深层意味着网络模型具有更 多的参数，这不仅增加了计算开销，分类速度低，同时对计算机硬件设备要求更 高。

发明内容

为了提高高光谱图像的分类准确度和分类速度，本发明提供一种用于高光谱 图像分类的全局学习装置及方法。

一方面，本发明提供一种用于高光谱图像分类的全局学习装置，包括：编码 器和解码器；所述编码器按照图像处理顺序依次包括光谱维调整层、第一特征提 取层和第二特征提取层；所述第一特征提取层包括堆叠在一起的三个MLBSA结 构层；所述MLBSA结构层包括三个洗牌光谱注意SSA模块、两个MLB层和一个 下采样层；其中，所述SSA模块与所述MLB层相互交叉堆叠；所述下采样层作为 所述MLBSA结构层的最后一个子层；第一个所述SSA模块的输入通过 Zero-padded卷积模块之后与所述下采样层的输出进行相加融合操作后的输出作 为所述MLBSA结构层的输出；所述MLB层表示改进的线性瓶颈层；

所述解码器按照图像处理顺序依次包括第一上采样层、Concat层和输出层； 所述第一特征提取层中的第一个MLBSA结构层的输出作为所述第一上采样层 的输入，所述第二特征提取层的输出与所述第一上采样层的输出经过所述Concat 层进行融合，融合结果经所述输出层处理以完成高光谱图像的分类。

进一步地，所述光谱维调整层包括三个子层，由浅层至深层依次为SSA模块、 1×1卷积层和MLB层。

进一步地，所述MLB层包括依次堆叠在一起的第一卷积模块、第二卷积模 块和第三卷积模块；其中，第一卷积模块和第二卷积模块中由浅层至深层依次由 卷积层、GN层和ReLU层组成；第三卷积模块依次包括卷积层和GN层。