[发明专利]基于卷积神经网络和增强图注意力网络的融合网络的图像分类方法

说明书

基于卷积神经网络和增强图注意力网络的融合网络的图像分类方法，本发明涉及图像分类方法。本发明的目的是为了解决现有的高光谱图像分类方法在有限的标签样本下，高光谱图像的分类的精度仍然会受到极大的限制的问题。过程为：一、建立卷积神经网络与增强图注意力模块的融合网络模型CEGAT；获得训练好的卷积神经网络与增强图注意力模块的融合网络模型CEGAT；二、将待测高光谱图像输入训练好的卷积神经网络与增强图注意力模块的融合网络CEGAT，完成对待测高光谱图像的分类。

技术领域

本发明涉及图像分类方法。

背景技术

与普通图像不同，高光谱图像(hyperspectral images,HSIs)不仅具有丰富的空间纹理信息，而且HSIs的每个像素都包含数百个连续的光谱波段[1]-[2]。这为HSIs能够在像素级别进行分类提供了有力的保障。鉴于高光谱图像这个独特的优势，近年来，高光谱图像已经广泛的应用于医疗、国防、农业等领域[3]-[7]。而这些都需要以HSIs精准分类作为前提。

为了实现HSIs的精准分类，已经涌现出了一批优秀的方法。在早期，一些基于机器学习的方法被提出。例如，稀疏表示分类(sparse representation classification,SRC)[8]和支持向量机(kernel support vector machine,KSVM)[9]。前者注重稀疏的特征表示学习，后者更关注分类器的设计。它们都是基于像素分类的方法，但是仅关注光谱信息，忽视了空间信息的重要性，使高光谱图像分类(hyperspectral image classification,HSIC)效果受限。此外，传统的机器学习依赖于手工特征与参数经验[10]。这使得分类方法的鲁棒性差，并且也限制了自身的泛化性。近年来，深度学习在HSIC任务上的优秀表现引起了广泛的关注[11]。深度学习避免了机器学习繁杂的手工特征过程，能够通过训练一部分样本，进而提取样本的特征用于分类。其中卷积神经网络(convolutional neuralnetworks,CNNs)[12]与图卷积网络(graph convolutional networks,GCNs)[13]的效果格外令人印象深刻。