[发明专利]一种高光谱图像空谱联合分类方法及装置

权利要求书

1.一种高光谱图像空谱联合分类方法，其特征在于，所述方法包括：

对输入的高光谱图像数据进行归一化处理；

分别将归一化处理后的高光谱图像经过第一预处理后以得到提取光谱特征的训练样本集S₁，以及经过第二预处理以得到提取空间特征的训练样本集S₂；

采用多尺度空间-光谱联合网络，从所述训练样本集S₁中提取光谱特征以及从所述训练样本集S₂中提取空间特征；

将提取到的光谱特征和多尺度的空间特征联结起来，输入到能够适应几何形变的可变形卷积神经网络中，以提取高级特征；以及

经可变形卷积神经网络提取的高级特征输入到全连接网络分类器中进行分类，以得到基于可变形卷积神经网络的高光谱图像空谱联合分类结果；

其中，所述将归一化处理后的高光谱图像经过第一预处理后以得到提取光谱特征的训练样本集S₁的步骤包括：

利用k-means聚类算法对所述高光谱图像中的每一类样本包含的光谱作类内聚类；

从每个簇中选取部分样本保存其标签，该标签作为训练样本标签G_tr，剩下的作为测试样本标签G_te；

提取以带标签G_tr为中心的11×11×L邻域范围内的数据块作为提取光谱特征的训练样本集S₁。

2.根据权利要求1所述的高光谱图像空谱联合分类方法，其特征在于，所述经过第二预处理以得到提取空间特征的训练样本集S₂的步骤包括：利用主成分分析PCA方法对原始高光谱图像进行降维处理，从降维后的图像中提取以带标签G_tr为中心的11×11×D邻域范围内的数据块作为提取空间特征的训练样本集S₂。

3.根据权利要求1-2任一项所述的高光谱图像空谱联合分类方法，其特征在于，所述多尺度空间-光谱联合网络包括光谱特征提取网络和空间特征提取网络；

所述光谱特征提取网络结构包括1×1卷积层，归一化层Batch Normalization和激励函数ReLU；

所述空间特征提取网络结构包括并联的3×3卷积层和5×5卷积层，卷积层后分别归一化层BatchNormalization和激励函数ReLU；

其中，训练样本集S₁输入到光谱特征提取网络以提取光谱特征，训练样本集S₂输入到空间特征提取网络以获得多尺度的空间特征。

4.根据权利要求1所述的高光谱图像空谱联合分类方法，其特征在于，所述可变形卷积神经网络包括依次连接的第一二维卷积层、第一可变形卷积层、第二可变形卷积层、第二二维卷积层以及全局平均池化层。

5.根据权利要求4所述的高光谱图像空谱联合分类方法，其特征在于，每个所述二维卷积层和可变形卷积层的卷积核大小均为3×3，步长为1。

6.根据权利要求5所述的高光谱图像空谱联合分类方法，其特征在于，卷积核个数依次为：64，128，256，512。

7.根据权利要求4所述的高光谱图像空谱联合分类方法，其特征在于，每个所述二维卷积层和可变形卷积层后均使用BatchNormalization层做归一化，并使用ReLU作为激励函数。

8.一种高光谱图像空谱联合分类装置，其特征在于，该装置包括：

存储器，该存储器中存储有计算机指令；

处理器，该处理器与存储器数据连接，其通过执行所述计算机指令，从而执行根据权利要求1-7任一项所述的高光谱图像空谱联合分类方法。

9.一种高光谱图像空谱联合分类装置，其特征在于，该装置包括：

归一化处理模块，用于对输入的高光谱图像数据进行归一化处理；

训练样本集生成模块，用于分别将归一化处理后的高光谱图像经过第一预处理后以得到提取光谱特征的训练样本集S1以及经过第二预处理以得到提取空间特征的训练样本集S2；

第一特征提取模块，用于通过多尺度空间-光谱联合网络从所述训练样本集S1中提取光谱特征及从所述训练样本集S2中提取空间特征；

第二特征提取模块，用于将提取到的光谱特征和多尺度的空间特征联结起来，输入到能够适应几何形变的可变形卷积神经网络中，以提取高级特征；以及

全连接网络分类器，用于根据输入的经可变形卷积神经网络提取的高级特征得到基于可变形卷积神经网络的高光谱图像空谱联合分类结果；

其中，所述将归一化处理后的高光谱图像经过第一预处理后以得到提取光谱特征的训练样本集S₁的步骤包括：

利用k-means聚类算法对所述高光谱图像中的每一类样本包含的光谱作类内聚类；

从每个簇中选取部分样本保存其标签，该标签作为训练样本标签G_tr，剩下的作为测试样本标签G_te；

提取以带标签G_tr为中心的11×11×L邻域范围内的数据块作为提取光谱特征的训练样本集S₁。