[发明专利]一种基于双分支空谱全局特征提取网络的高光谱图像分类方法

说明书

本发明提出了一种基于双分支空谱全局特征提取网络的高光谱图像分类方法。该方法通过分别学习高光谱图像的空间特征和光谱特征。其特点在于学习空间特征的空间子网络主体部分为编码解码结构，并利用跳跃连接，空间注意力和通道注意力增强特征表示。此外，设计了一个空间全局特征表示模块用于学习编码后的空间特征，并利用该模块表达全局空间特征。学习光谱特征的光谱子网络采用了渐进式特征学习的思想，并利用视角注意力强化渐进学习到的特征。最后，再利用自适应加权方法，融合两个子网络的结果。在多个真实高光谱遥感图像数据集上的实验结果显示，本发明所提出的双分支空谱全局特征提取网络能够取得优异的分类性能。

技术领域

本发明属于图像分类领域，涉及基于双分支空谱全局特征提取网络的高光谱图像分类方法研究。

背景技术

随着20世纪80年代成像光谱学的建立，光学遥感技术进入全新时期。成像光谱学与数码成像技术的结合产生了成像光谱仪。高光谱图像(Hyperspectral image,HSI)由成像光谱仪对地表观测得到。不同类别的地物由于接受和辐射电磁波的特性不同，因而呈现出不同的光谱曲线。从光谱维度的角度来看，高光谱图像中的每个像素点都可以看作是同一对象在不同光谱波段下的表现。从空间维度的角度来看，高光谱图像表征地表物体的空间信息。因此，高光谱具有“图谱合一”的特点。相较于全色和多光谱遥感，高光谱遥感图像经过光谱反射率重建，能够获取地物近似连续的光谱反射曲线，便于理论方法和实际应用。此外，高光谱图像能够探测具有诊断性光谱吸收特征的性质，能够准确区分地表植被、覆盖类型、道路铺面材料等。

在早期的研究中，许多工作只针对单一的空间维度或者光谱维度，利用传统方法进行特征提取，如支持向量机，随机森林和空间滤波器等。但是这些方法都只进行了浅层的特征学习，只是简单描述了高光谱图像的一些简单的低层次特征，不能有效的表达高光谱图像的高级语义，从而限制了这些方法和分类效果和应用场景。在过去的几年中，基于深度学习的方法不断呗用于高光谱图像分类，并不断被证明是有效的，如卷积神经网络(CNN)，循环神经网络(RNN)和图神经网络(GNN)等。基于深度学习的方法可以直接学习高级抽象特征，其分类性能明显由于传统方法，这使得深度学习在高光谱图像分类领域称为热门。

随着研究的不断深入，分别提取空间特征和光谱特征的双分支网络结构被证明是高光谱图像分类的有效的，并成为一种流行的框架。在该框架下，2DCNN和3DCNN常被用于提取空间特征，RNN和1DCNN被常用于提取光谱特征。为了让模型表达的特征更加丰富，多尺度的双分支网络被用于高光谱图像分类，使得模型可以学习到不同尺度的高光谱图像信息，生成更具判别性的特征。为了降低特征中的冗余信息和增强特征中的有效信息，注意力机制被引入高光谱图像分类领域。但是，CNN和RNN都是局部的操作，无法获得长期依赖，即非相邻的像素或者波段之间的依赖关系。其次，在以往的模型设计中，只注意到了特征的多样性表达，并没有关注全局特征和局部特征的相结合的方式。另一方面，双分支网络的两个分支分别提取不同维度的特征，两个分支的特征具有一致性才能得到更高的分类性能。

发明内容

本发明的目的在于提供了一种提取高光谱图像全局特征的双分支网络模型，在有限的样本条件下，不增加模型复杂度的同时，提高模型的分类性能。

1.空间子网络