[发明专利]基于多尺度内卷网络的高光谱图像分类的方法

说明书

本发明公开了一种基于对尺度内卷网络的高光谱图像分类的方法，该方法包括：对原始高光谱数据进行最大最小归一化；构建自适应光谱去噪网络提纯归一化后的数据；构建空间卷积子网络与内卷子网络，并在网络中嵌入Dropblock模块提高网络泛化能力；构建自编码器模块，并将重建损失施加正则化以保持图像原本特征；融合空间卷积子网络与内卷子网络，并同时训练自编码器模块，最终得到分类识别结果。本发明构建的内卷网络更加关注于高光谱数据的光谱特征，并且融合了空间卷积网络以完善模型的空间特征提取能力，同时引入的Dropblock模块更进一步地提高了模型的泛化性，而自编码器模块能够保持重建图像的质量。

技术领域

本发明涉及高光谱图像分类技术，特别是一种基于多尺度内卷网络的高光谱 图像分类的方法。

技术背景

高光谱遥感技术，是指通过利用光谱成像仪，在目标物体上发射大量窄波段 的电磁波，以获得相关数据。光谱仪为每一个像元提供成百上千个窄波段的光谱 信息，这就使得在原本宽波段中难以被察觉的信息能够被被挖掘出来，从而能够 将目标物体的空间结构与光谱信息进行综合考量，实现对目标物体的精准描述与 预测。高光谱遥感技术已在国防科技、城市规划、矿物勘探等相关领域做出了巨 大贡献。

高光谱图像分类作为高光谱图像研究分支之一，旨在对每一个光谱像元分配 一个合适的地物标签。以往对高光谱图像分类的传统算法包括K最近邻(K-NN，K NearestNeighbour)，极端学习机器(ELM，Extreme Learning Machine)以及支持向量 机(SVM，Support Vector Machine)等。这些算法虽然对高光谱图像的分类有一定的 效果，但总体上讲性能并不理想。

近年来，学者们更倾向于把深度学习的方法引入到高光谱图像的分类上，并 且取得了显著的成果。卷积神经网络(CNN)，由于其在空间维度上的强大特征 提取能力，很多学者采用CNN用于处理在计算机视觉上的众多难题，并取得了 巨大的突破。Makantasis等人设计了一种基于2D卷积神经网络模型，通过周围 像素填充将中间像素打包成固定大小的块，输入到神经网络中进行空间信息提 取，最后送入多层感知器进行分类。但后来越来越多的研究发现，这种单纯利用 高光谱图像空间信息的方法难以达到预期的效果。因此研究者们把目光更多的关 注在高光谱图像的空间信息和光谱信息联合的方法上。

发明内容

本发明公开了一种基于多尺度内卷网络的高光谱图像分类的方法，通过内卷 网络关注高光谱图像的光谱信息，同时融合空间卷积网络将空谱特征相关联，并 单独设置一个自编码器用于保证重构图像的质量。

实现本发明的技术解决方案为：一种基于多尺度内卷网络的高光谱图像分类 的方法，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；