[发明专利]高光谱遥感图像分类方法及系统

说明书

本发明提供一种高光谱遥感图像分类方法及系统，属于图像处理技术领域，对高光谱遥感图像进行降维处理；提取降维处理后的图像的空间特征，得到空间特征图；提取空间特征图的光谱特征，得到空间光谱融合特征图；对空间光谱融合特征图进行光谱关键信息和空间关键信息提取；利用优化器对提取了光谱关键信息和空间关键信息后的图像进行处理，获得图像分类结果。本发明采用残差连接，可以有效减少梯度消失现象；结合光谱和空间注意力机制，提取了更加完整的空间特征和光谱特征，有效抑制了噪声影响；采用熵率超像素预处理高光谱图像，比传统的主成成分分析法更加注重不同波段之间的关系，提高了图像分类精度，分类结果更准确清晰。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于卷积神经残差网络结合光谱注意力机制和空间注意力机制的高光谱遥感图像分类方法及系统。

背景技术

高光谱遥感图像指的是通过高光谱成像仪获取的图像，具有十分丰富的空间信息和光谱信息。此外，高光谱图像还具备更多的波段数以及极高的分辨率，因此，对其进行光谱特征和空间特征分析，就可以得到详细的地物特征。目前，高光谱图像技术已经应用十分广泛，包括精准农业、大气监测、海洋检测等领域。随着高光谱图像的应用在很多领域越来越广泛，如何快速准确的判别高光谱图像中的每个像元就成为了首要问题。

对于高光谱图像分类任务，传统的方法包括随机森林(Random Forests)、决策树(Decision Trees)以及支持向量机(Support Vector Machines)等方法。这些方法基于手工特征，需要操作人员具有丰富的高光谱图像先验知识，无论是标记还是判别，都会耗费大量的人力，且处理速度慢，工作效率低。此外，上述传统的方法，忽略了丰富的空间信息导致特征提取不完整，最终导致分类精度较低。

近年来，一些深度学习模型也被应用在高光谱图像分类中。卷积神经网络通过局部连接有效提取特征，通过共享权值显著的减少参数，且广泛应用于目标识别、医学图像处理等领域。目前卷积神经网络有三种不同形式的卷积核，包括1D-CNN、2D-CNN、3D-CNN，都采用反向传播的算法对网络参数进行更新。

采用卷积神经网络的方法，大多数为采用基于空谱联合特征的分类方法，可以直接提取光谱信息和空间信息，但由于高光谱图像在很多波段存在相似纹理，因此会导致计算复杂度增高；另，由于高光谱数据集训练样本有限，随着网络深度增加，可能会出现梯度消失的现象，且传统的降维方式没有考虑相邻像素的同质性。

发明内容

本发明的目的在于提供一种基于卷积神经残差网络结合光谱注意力机制和空间注意力机制的高光谱遥感图像分类方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种高光谱遥感图像分类方法，包括：

对高光谱遥感图像进行降维处理；

提取降维处理后的图像的空间特征，得到空间特征图；提取空间特征图的光谱特征，得到空间光谱融合特征图；

对空间光谱融合特征图进行光谱关键信息和空间关键信息提取；

利用优化器对提取了光谱关键信息和空间关键信息后的图像进行处理，获得图像分类结果。

优选的，对高光谱遥感图像进行降维处理包括：采用熵率超像素算法，生成适合高光谱图像边界的超像素。

优选的，熵率超像素算法中，将图像以顶点边缘网络的形式表示，其中，顶点由像素组成，顶点之间连接的边缘的权重由相似度矩阵形式给出的一对相似度组成。

优选的，每个像素属于一个类别，在所有可行的边缘中，选择使目标函数最优的边缘添加到图像中。