[发明专利]一种适用于小样本高光谱影像分类的深度学习模型

说明书

本发明提供了一种适用于小样本高光谱影像分类的深度学习模型，模型的整体框架是以编码‑解码器为基础的，包括：输入待分类的高光谱影像和数据集；对原始数据集进行两次随机采样，生成一组随机的训练样本序列；利用全局卷积长短期记忆模块提取长短范围内的光谱依赖特征以及局部范围内像元的空间关系；利用全局光谱和空间注意力机制分别提取详细的光谱依赖特征和空间细节；利用特征迁移模块恢复语义特征的空间细节；本发明提供了一种新颖的全局学习分类方法，它不仅能充分的挖掘长短范围内光谱特征之间的依赖，还能够提取到长短范围内像元空间特征之间的依赖，实现当训练样本受限时依然能提取到最具判别的特征并保证了分类的精度。

技术领域

本发明涉及深度学习与遥感图像处理领域的结合，主要解决遥感影像地物分类的问题，具体涉及一种适用于小样本高光谱影像分类的深度学习模型。

背景技术

随着遥感技术的快速发展，大量的高空间分辨率和高光谱分辨率的遥感影像数据越来越容易获取。因此如何从这些具有丰富光谱和空间信息的遥感影像中提取出有价值的信息一直是学术界研究的热点之一。其中高光谱影像分类是非常重要的应用之一。高光谱影像数据具有维度高、数据量巨大等特点，正是因为如此，高光谱影像被广泛的应用于目标检测、农业监测、地表覆盖物探测、环境保护以及遥感制图等等。但是正是因为这些特点，导致了高光谱影像波段之间相关性大，信息冗余严重，因此提出了很多方法来解决信息冗余的问题。

在传统的分类方法中，主成分分析法是降低信息冗余比较好的方法，但是它损失了高光谱影像中部分信息。之后提出了支持向量机、最大似然法、多项式逻辑回归和随机森林等方法对遥感影像进行分类，但是这些方法只考虑了影像的光谱信息，而忽略了像元之间的空间相关性。之后又提出K-邻近稀疏表示方法、扩展形态学、条件随机场以及马尔科夫随机场等来充分考虑空间和光谱的信息。这些方法虽然具有比较好的分类效果，但是这些方法需要人工的选择特征，并且无法实现端到端的训练。

随着深度学习在遥感影像上的广泛应用，卷积神经网络成为处理高光谱影像的主流方法。神经网络无需人为的对高光谱影像做任何的预处理和后处理，它完全实现了端到端的模型训练。随着模型的网络层数增加，不同层次的特征可以被提取用于高光谱影像的分类。每一层的权重参数都是通过后向传播进行不断地更新，根据不同的损失函数类型，将模型训练和验证的损失降到最低。

发明内容

有鉴于此，本发明提供了一种适用于小样本高光谱影像分类的深度学习模型，包括以下步骤：

S1、输入待分类的高光谱影像，并输入与待分类的高光谱影像对应的样本数据集；

S2、对S1中的样本数据集采用全局双随机采样的策略，生成一组随机的训练样本序列；

S3、将待分类的高光谱影像输入到编码-解码器中，并对高光谱影像的空间大小进行填充，使填充后的高光谱影像的空间尺寸大小满足编码器n次下采样的尺寸要求；并改变填充后的高光谱影像通道数使其满足组正则化的组数要求，n大于等于3；

S4、将满足下采样的尺寸要求的高光谱影像输入到全局卷积长短期记忆模块中，来挖掘长短范围内高光谱影像的光谱依赖特征并生成相应的特征图，特征图中包括高光谱影像的空间特征和光谱特征；

S5、将步骤S4生成的特征图分别输入到空间注意力机制和光谱注意力机制中，来重新加权提取到的空间特征和光谱特征；最后将光谱注意力机制和空间注意力机制生成的特征图进行堆叠，从而共同保留增强后的光谱特征和空间特征；

S6、将步骤S5堆叠后的特征图通过特征迁移模块与解码器生成的特征图进行融合，生成恢复了空间细节的语义特征图；

S7、将步骤S5堆叠后的特征图通过使用卷积核大小为3×3，步长为2的过滤器使其变为空间尺寸缩小一倍的特征图；