[发明专利]一种基于双通道稀疏化网络的高光谱图像分类方法

说明书

本发明提出了一种基于双通道稀疏化网络的高光谱图像分类方法，包括以下步骤：S1，对高光谱图像数据进行降维处理；S2，采用通道注意力机制提取重要光谱与空间特征；S3，将所述重要光谱与空间特征输入光谱分支模块提取高光谱图像的光谱特征；S4，将所述重要光谱与空间特征和降维处理的高光谱图像数据输入空间分支模块提取高光谱图像空间特征；S5，将所述高光谱图像的光谱特征、所述高光谱图像空间特征与所述重要光谱与空间特征输入分类模块进行特征融合叠加得到输出结果。本发明能够通过设计的LCTCS网络在训练过程中去除大量冗余不必要的，对于高光谱图像(HIS)中丰富的光谱信息和空间信息的传递贡献较小的参数，从而达到节约计算资源的效果。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于双通道稀疏化网络的高光谱图像分类方法。

背景技术

高光谱图像是通过遥感系统在数百个连续和窄波段上捕获每个像素波段的光谱图像数据集合，具有波段数多、蕴含信息丰富、光谱分辨率高等特点。高光谱图像包含的信息可以反映样本的大小、形状、体积等外部特征，这些特点决定了高光谱图像在一些需要进行内外部特征检测的任务中独特优势。高光谱图像的连续波段数据提供了详细信息，可以进行地物目标类别进行鉴别，在农业遥感、地质勘探、环境监测与海洋遥感等领域广泛应用。

近几年来，随着计算机硬件的发展与计算效率的提升，卷积神经网络等深度学习的方法广泛应用于视觉与自然语言处理等任务中，并取得了较为理想的效果。然而，其中的大多方法都是以牺牲昂贵的计算资源为代价，这将占用较多的存储空间；尤其是网络在训练过程中含有大量冗余不必要的参数，这些冗余的参数对于高光谱图像(HIS)中丰富的光谱信息和空间信息的传递贡献较小。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于双通道稀疏化网络的高光谱图像分类方法。

为了实现本发明的上述目的，本发明提供了一种基于双通道稀疏化网络的高光谱图像分类方法，包括以下步骤：

S1，对高光谱图像数据进行降维处理；

S2，采用通道注意力机制提取重要光谱与空间特征；

S3，将所述重要光谱与空间特征输入光谱分支模块提取高光谱图像的光谱特征；

S4，将所述重要光谱与空间特征和降维处理的高光谱图像数据输入空间分支模块提取高光谱图像空间特征；

S5，将所述高光谱图像的光谱特征、所述高光谱图像空间特征与所述重要光谱与空间特征进行特征融合叠加，然后输入分类模块得到输出结果。由此，能重用之前的特征，把特征叠加后的结果再进行动态三维卷积，采用的卷积核会随着高光谱数据的波段数不同而不断变化，以此来适应不同的数据立方块，最终通过全局池化和线性层得出最后得到二维特征图。

进一步地，所述S1包括：

在平面维度选取高光谱图像数据的正方形立方块数据p×p作为输入至三维卷积网络，并以正方形立方块的中心为像素值进行三维卷积计算，三维卷积计算公式如下：

其中，表示在空间位置(x,y,z)第i层的第j个立方块；

表示在空间位置(p,q,r)第k个立方块的权重大小；

m表示立方块的总个数；

表示在空间位置(x+p,y+q,z+r)第i-1层的第k个立方块；

b_ij表示在第i层的第j个立方块的偏置大小；

P_i,Q_i,R_i分别表示三维卷积核的高度、宽度和通道数；

g(.)表示激活函数。