[发明专利]一种注意力残差单元神经网络高光谱图像分类方法及系统

说明书

本发明公开了一种注意力残差单元神经网络高光谱图像分类方法及系统。方法包括：获取高光谱图像，对高光谱图像进行预处理，得到处理后的高光谱图像，处理后的高光谱图像包括：训练数据集和测试数据集；构建高光谱分类模型，高光谱分类模型包括：多尺度融合提取层、尺寸变换层、卷积注意力残差单元层、深度可分离卷积与平均池化残差层、全连接层和分类器；基于训练数据集，对高光谱分类模型进行训练，得到训练好的高光谱分类模型；将测试数据集输入训练好的高光谱分类模型，得到高光谱图像分类结果。系统包括：预处理模块、模型构建模块、模型训练模块和高光谱分类模块。本发明能够达到更佳的分类效果。

技术领域

本发明属于图像处理技术领域，特别是涉及一种注意力残差单元卷积神经网络高光谱分类方法及系统。

背景技术

高光谱图像即同时承载光谱特征和空间特征的连续遥感影像，蕴藏着地物大量的空间和光谱信息。因此，高光谱图像被广泛的应用于农业遥感、环境监测、城市规划和军事探测等领域。因其拥有大量的光谱波段，可以利用其图像特点对空-谱特征进行联合提取，实现高光谱图像的高精度分类。但是，高光谱图像具有丰富信息量的同时，伴随着数据冗余和噪声干扰等问题，甚至在训练样本数不足的情况下容易出现Hughes现象，导致分类精度降低。

近年来，以卷积神经网络为代表的深度学习算法的提出，为高光谱图像的分类工作提供了新的思路，并取得了显著的研究成果。精度高的卷积神经网络在保证分类精度足够高的前提下，需要大量的训练样本，而忽略了实际工作中更多要面临小样本学习分类的问题。因此，减少光谱数据间的冗余特征、噪声干扰和增强特征提取能力，提高小样本数据分类精度，成为深度学习网络亟需解决的问题。

目前针对卷积神经网络在处理高光谱图像过程中出现特征冗余、噪声干扰和鉴别性特征提取的问题，现有技术中的高光谱分类方法解决了分类过程中数据冗余的问题，但是未考虑到数据的重要程度，只是降低了数据量，导致分类精度无法满足实际需求。

发明内容

本发明的目的是提供一种卷积注意力(Convolutional Block AttentionModule，CBAM)残差单元的混合卷积神经网络(CBAM-Res-HybridSN)高光谱分类方法及系统，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种注意力残差单元神经网络高光谱图像分类方法，包括以下步骤：

获取高光谱图像，对所述高光谱图像进行预处理，得到处理后的高光谱图像，所述处理后的高光谱图像包括：训练数据集和测试数据集；

构建高光谱分类模型，其中所述高光谱分类模型包括：多尺度融合提取层、尺寸变换层、卷积注意力残差单元层、深度可分离卷积与平均池化残差层、全连接层和分类器；

基于所述训练数据集，对所述高光谱分类模型进行训练，得到训练好的高光谱分类模型；

将测试数据集输入训练好的高光谱分类模型，得到高光谱图像分类结果。

优选地，对所述高光谱图像进行预处理的过程包括：

对所述高光谱图像进行降维操作，得到高光谱主图，将高光谱主图中的每个像素点和与其相邻的像素构成像素点图像块，对所述像素点图像块进行标记，剔除未标记的像素点图像块，得到处理后的高光谱图像。

优选地，对所述高光谱分类模型进行训练的过程包括：

提取训练数据集的图像特征；

基于所述图像特征，通过所述多尺度融合提取层进行卷积，得到多尺度融合提取层特征图；

将多尺度融合提取层特征图输入至卷积注意力残差单元，得到卷积注意力残差单元特征图；

将卷积注意力残差单元特征图输入至所述深度可分离卷积与平均池化残差层，得到分离特征图，将所述分离特征图输入至全连接层，得到训练好的高光谱分类模型。