[发明专利]一种基于双注意力机制的高光谱遥感图像分类方法

说明书

本发明涉及一种基于双注意力机制的高光谱遥感图像分类方法，与现有技术相比解决了高光谱遥感影像训练样本有限及分类精度不理想的缺陷。本发明包括以下步骤：训练样本的获取；堆栈自编码器的构建和训练；构建混合密集网络；混合密集网络的训练；待分类样本的获取和降维处理；高光谱遥感图像分类结果的获得。本发明在训练样本量更少的情况下，也能得到较理想的高光谱遥感影像分类结果。

技术领域

本发明涉及高光谱遥感图像技术领域，具体来说是一种基于双注意力机制的高光谱遥感图像分类方法。

背景技术

高光谱遥感影像在光谱和空间维度上都富含丰富的信息，并且已经在环境科学、农业、土地覆盖制图等方面得到了广泛的应用。高光谱图像包含几十甚至几百个连续的光谱波段，标注费时费力，且可用的训练样本数量通常有限。因此由于高光谱“小样本问题”，实现对高光谱影像高精度的分类仍然是一项具有挑战性的任务。

高光谱影像各相邻波段之间存在大量冗余信息，在后续进行分类时会造成存储和计算效率的下降。针对这一问题，在输入分类器之前对高光谱遥感影像进行特征提取，以减少高光谱遥感数据的维数，提升运算效率，同时保留影响分类精度的大部分区别性特征。常用的的线性特征提取方法有Principal Component Analysis(PCA)、Linear DiscriminantAnalysis(LDA)、Independent Component Analysis(ICA)等。

然而传统的降维方法并不能很好的解决高光谱遥感影像存在的非线性问题，并且无法提取更深层次的特征。Stacked Auto-encoder(SAE)经过逐层对权重和偏差参数的训练，将不断学习到的深层特征存储于隐藏层中，可以最大限度的减少信息损失，能够处理更复杂的数据。另外，由于高光谱图像具有的高维性、高度非线性和小样本等特点，要求分类器具有提取和处理深度抽象特征的能力。而传统的分类方法，例如Support VectorMachine(SVM)、Extreme Learning Machine(ELM)、Random forests(RF)等，在缺少深度层次特征的支持下，往往难以取得理想的分类效果。

近年来，由于卷积神经网络强大的自动提取特征的能力，基于深度学习的图像分类方法得到了研究人员的青睐。高光谱图像分类作为遥感领域的研究热点之一，很多研究人员通过搭建卷积神经网络框架，从高光谱遥感图像中自动学习抽象特征，以至于不断创新提高高光谱图像分类精度的理想解决方案。Chen等人首次提出了一种联合空间和光谱特征的深度学习框架，该框架采用堆叠自编码器和深度置信网络作为特征提取器，来获取深层特征以获得更好的分类结果，展示了深度学习在准确分类高光谱数据上的巨大潜力。Zhao等人提出了一种基于光谱-空间特征的分类(SSFC)框架，使用了平衡局部判别嵌入(BLDE)算法与2D-CNN网络分别对降维后的高光谱影像提取光谱和空间信息，叠加后输入分类器中实现分类，一定程度上提高了分类精度。高光谱遥感影像是具有丰富光谱和空间特征的3D数据，根据该特征，Li等人提出了一种三维卷积神经网络(3DCNN)框架，用于精确的HSI分类，相比于2DCNN，3DCNN更能有效的同步提取出原始高光谱影像中深层的空谱融合特征，充分发挥三维高光谱图像的优势。Swalpa等人设计了一种三维二维结合的混合神经网络(HybridSN)，与单独使用3DCNN相比，混合神经网络降低了模型的复杂性，并通过实验验证了混合卷积网络在高光谱分类的潜力。与浅层网络相比，深层网络结构提取的特征更加抽象，分类结果也可以越好。

但随着网络结构的不断加深，梯度在反向传播的过程中会出现弥散或者爆炸等现象，产生网络退化问题。因此，为了解决这些问题，研究人员采用ResNet与DenseNet等网络连接方式，减轻了训练更深网络的难度，缓解了梯度消失问题，提高了分类精度。Zhong等人提出了一种基于3DCNN的端到端空谱残差网络(SSRN)，分别设计了光谱与空间残差模块学习空谱判别特征，缓解了其他深度学习模型精度下降的现象，进一步改善了模型的分类性能。Wang等人将DenseNet引入到他们所提出的快速密集空谱卷积神经网络框架中(FDSSC)，使用多尺度卷积核提取空谱特征，减少了训练时间并提高了分类精度。