[发明专利]基于多尺度内卷网络的高光谱图像分类的方法

权利要求书

1.一种基于多尺度内卷网络的高光谱图像分类的方法，其特征在于，包括以下步骤：

(1)对原始高光谱图像数据集进行最大最小归一化；

其中，归一化后的高光谱图像记作I，I的大小为H×W×C,H和W表示高光谱图像的长度和宽度，C为高光谱图像的光谱数，高光谱图像的类别数记为M；

(2)构建自适应的光谱去噪网络，即通过若干批归一化层、卷积层、池化层，使最后一层的特征图数量小于归一化后的高光谱图像通道数，自适应学习对当前任务有效的光谱信息；

其中，经过去噪网络后的特征图记为I₁，大小为H×W×C₁，C₁＜C；

(3)构建多尺度内卷子网络，即为I₁中每一个光谱向量构造不同尺度邻域空间其中s≥1；再通过1×1的小卷积核压缩光谱向量，压缩后的光谱向量记为T，其中T的通道大小与邻域空间一致，为s×s；将T沿着通道方向展开至平面，即得到多个尺度的内卷核；将内卷核与光谱向量的邻域空间进行乘法运算，然后对区域信息求和，得到光谱相关的特征，最后融合多个尺度的输出特征，记为I₁₁；

(4)构建空间卷积子网络，即通过采用多个三维卷积核，提取特征图I₁的深层空间信息，同时在网络中嵌入Dropblock块，以概率p丢弃特征图中K×K×R大小的邻域空间像素点；I₁经过空间卷积子网后的得到的特征图记为I₁₂；

(5)融合由多尺度内卷子网提取到的光谱特征I₁₁，以及空间卷积子网络提取到的空间特征I₁₂；融合后的特征记为I₂；对I₂使用Softmax函数，将特征提取的结果转化为概率分布；采用交叉熵作为融合网络的损失函数，计算预测结果与地物标签之间的差值L₁；

(6)构建自编码器，即采用三维卷积核，将I₁的特征信息进行编码和解码以重构图像，重构图像记作选择均方误差作为自编码器的损失函数，I和之间的损失值记作L₂；

(7)计算总损失，即将L₁作为主损失，用于得到精细化的空谱特征，同时L₂作为正则化项，以保持图像的重建质量，防止中间特征偏离原本的分布；总损失记为L，L＝L₁+L₂，用于训练网络，并将训练好的网络为待分类的样本打上标签。

2.根据权利要求1所述的基于多尺度内卷网络的高光谱图像分类的方法，其特征在于，步骤(1)中所述对原始高光谱进行最大最小归一化，根据高光谱图像中的最大最小值，将数据收缩至[0，1]区间，归一化的公式如下：

其中，I_min和I_max分别表示高光谱图像中最大值和最小值。

3.根据权利要求1所述的基于多尺度内卷网络的高光谱图像分类的方法，其特征在于，步骤(2)中所述的构建自适应光谱去噪网络，采用多个1×1大小的卷积核，将I的光谱数压缩至C₁，C₁＜C。

4.根据权利要求1所述的基于多尺度内卷网络的高光谱图像分类的方法，其特征在于，步骤(3)中所述的构建多尺度内卷子网络，根据去噪后的特征图I₁构建多个尺度的邻域空间其中s≥1；取s＝1，s＝3，s＝5，则三个尺度的邻域空间记为Z₁，Z₂，Z₃；使用1×1的卷积核将I₁的光谱通道大小变换至s²，并将变换后的特征图T沿着光谱维度展开成大小为s×s的内卷核，内卷核分别记为K₁，K₂，K₃；内卷的过程可表示为：

其中，Invo为I₁经过内卷操作后的输出，表示两个矩阵对应位置元素相乘，sum(*)表示沿着通道维度求和；

I₁经过多个内卷层、池化层之后，由多尺度内卷子网得到的输出特征图记为I₁₁。