[发明专利]基于双分支光谱多尺度注意力网络的高光谱图像分类方法

说明书

基于双分支光谱多尺度注意力网络的高光谱图像分类方法，本发明涉及高光谱图像分类方法。本发明的目的是为了解决现有高光谱图像提取的过程中，由于高光谱图像的高维特性以及小训练样本的情况，导致高光谱图像分类准确率低的问题。过程为：步骤一、采集高光谱图像数据集和相对应的标签向量数据集；步骤二、建立双分支光谱多尺度注意力网络DBSMA；步骤三、将训练数据、验证数据和对应标签向量数据输入到建立的双分支光谱多尺度注意力网络DBSMA中，采用Adam算法进行迭代优化，得到最优网络DBSMA；步骤四、向最优网络DBSMA中输入测试数据进行分类结果预测。本发明用于图像分类领域。

技术领域

本发明涉及高光谱图像分类方法。

背景技术

近年来，随着科学技术的快速发展，遥感图像被应用于许多领域。高光谱图像具有较高的空间分辨率以及丰富的光谱波段^[1]，这使其应用领域十分广泛，如地球勘探^[2]、环境监测^[3]、生态科学^[4]等。

高光谱图像分类是高光谱技术的重要应用之一。由于高光谱图像含有丰富的空间和光谱信息，充分地提取图像的空间特征和光谱特征，能够有效提高高光谱图像分类精度。因此，很多提取空间特征和光谱特征的方法被提出，以提高对高光谱图像的分类性能。在早期，基于线性的分类方法被提出，如判别约束分析^[5]、主成分分析^[6]，以及平衡局部判别方法^[7]等。但由于线性方法表达能力较弱，应用在较复杂的问题中，分类效果较差。为了改善分类性能，一些基于流型学习的分类方法被提出，如C.Zhao等人^[8]提出了基于稀疏低秩近等距线性嵌入方法，以及F.Luo等人^[9]提出的半监督稀疏流型识别分析方法等。

关于图像分类，涌现出很多具有代表性的分类器。例如，基于无监督聚类的k最近邻的分类器^[10]、适用于高维数据的半监督方法的逻辑回归分类器^[11]、结构非常简单的极端学习分类器^[12]、基于稀疏表示的分类器^[13]，以及支持向量机分类器^[14]。其中，基于支持向量机的分类器在训练样本较少的情况下，相比其他分类器，对图像的分类效果更佳。

高光谱图像具有丰富的信息。然而，传统的机器学习方法并不能充分挖掘高光谱图像的特征，虽然能够提取图像的浅层特征，但对高光谱图像的分类效果较差，且泛化能力较弱。随着图像处理技术的快速发展及硬件性能的提升，一些能够学习更深层特征的深度学习方法被相继提出。由于深度学习方法的先进性，它已经被广泛应用于图像处理领域。特别地，研究工作证明深度学习方法在高光谱图像分类中同样具有很好的表现^[15]。为了改进传统的手工空间-光谱学习方法，Tao等人^[16]提出一种基于堆叠稀疏自动编码器的方法(SAE)，从未标记数据中自适应地学习合适的特征表示，最后用支持向量机分类器进行分类。在^[17]，提出了一种通过空间-光谱局域化和分类的方式来提高分类精度的深度置信网络(DBN)。但SAE和DBN两个网络具有参数量较大的完整的连接层，且空间扁平化操作也使得空间信息被破坏。

目前，有很多深度学习的方法被应用在高光谱图像分类中，并且得到了很好的分类性能。递归神经网络(RNNs)因其较好的数据建模能力^[18]-[20]，被人们关注并广泛地应用于图像分类。但由于RNNs在小样本情况下提取图像的特征效果不佳，导致分类性能并不理想。为缓解这一问题，一种生成对抗网络被提出，它能够生成高质量的数据样本^[21]-[28]。同样地，通过图结构数据建模的图卷积神经网络(GCNs)利用半监督的方式缓解了小样本带来的问题^[29][30]。