一种高光谱图像分类学习方法、系统及计算机存储介质

本发明属于计算机，涉及图像处理，特别涉及一种高光谱图像分类学习方法、系统及计算机存储介质。

背景技术：

1、高光谱图像（hsi）包含丰富的空间和光谱信息，能有效区分土地覆被类型，广泛应用于城市规划、地质勘探、精准农业等领域。hsi分类是科学遥感的一项重要任务，然而传统的机器学习方法，如k近邻、支持向量机和随机森林等，采用固定的特征提取策略，严重依赖手工标注的特征。此外，由于传统的机器学习方法仅局限于使用浅层特征，从而导致性能不理想。

2、随着深度学习的兴起，卷积神经网络（cnn）在人机交互分类中越来越受欢迎。通常，2d-cnn用于提取空间特征，而3d-cnn则用于捕捉空间光谱特征。虽然基于cnn的方法比传统的机器学习方法更高效，但其往往忽视了对不同层次特征的充分利用。

3、为缓解信息冗余问题，聚焦核心辨别特征，本领域研究人员提出了受人类视觉机制启发的注意力机制，其以挤压-激发网络（senet）和双重注意网络（danet）等为代表。值得注意的是，图像分类中的vit采用自注意力机制捕捉全局信息，取得了良好的图像分类效果。但是，这些基于注意力的方法通常需要大量的标注数据来进行有效的训练，而这可能会对图像分类造成比较大的困难。

技术实现思路

1、本发明的目的在于解决现有技术中高光谱图像各层次特征提取的不充分，过度依赖大量训练样本以及过拟合的问题。为实现本发明的技术目的，本发明提供了一种高光谱图像分类学习方法、系统及计算机存储介质。

2、本发明所述高光谱图像分类方法，包括：

3、步骤s1：随机采集不同场景下的原始高光谱图像；

4、步骤s2：将所述原始高光谱图像进行降维和切分，获得三维图像块；

5、步骤s3：将所述三维图像块输入多层次特征提取神经网络，获得空谱联合特征图；

6、步骤s4：重复迭代应用所述多层次特征提取神经网络，获得最优质空谱联合特征图；

7、步骤s5：将所述最优质空谱联合特征图输入到分类网络中，得到分类结果。

8、在一种可能的实现方式中，所述步骤s2中采用主成分分析法对所述原始高光谱图像进行降维，获得降维后的高光谱图像。

9、在一种可能的实现方式中，所述分类网络采取多层感知机实现分类。

10、本发明实施例还提供了一种高光谱图像分类系统，包括采集模块、获取模块和分类模块：

11、所述采集模块，用于随机采集不同场景下的原始高光谱图像；

12、所述获取模块，将所述原始高光谱图像进行降维和切分，获得三维图像块；将所述三维图像块输入多层次特征提取神经网络，获得空谱联合特征图；重复迭代应用所述多层次特征提取神经网络，获得最优质空谱联合特征图；

13、所述分类模块，将所述最优质空谱联合特征图输入到分类网络中，得到分类结果。

14、在一种可能的实现方式中，所述多层次特征提取神经网络包括：浅层特征提取模块、空间-光谱注意力模块和深层特征提取模块。

15、在一种可能的实现方式中，所述浅层特征提取模块包含两个残差连接，两个三维卷积块和两个二维卷积块，每个卷积块后都有一个批规范化层和一个relu激活函数层。所述残差连接可以增强不同网络层之间的信息交互和特征融合。所述三维卷积块用于获取初步的空谱联合特征。所述二维卷积块用于获取更高级和更抽象的空谱联合特征。所述批规范化层和所述relu激活函数层可缓解梯度消失问题，提升泛化性能。

16、在一种可能的实现方式中，所述空间-光谱注意力模块包含一个空间注意力模块和一个光谱注意力模块。所述空间注意力模块可从大量潜在的可用特征中突出强调最相关和信息量最大的特征。所述光谱注意力模块可以动态地调整每个波段的权重。

17、在一种可能的实现方式中，所述深层特征提取模块是一种改进的vit模型，它将输入的特征图划分成二维图像块，并通过线性映射层将二维图像块转为一维向量，然后将位置信息与所述一维向量结合输入编码器结构中。

18、在一种可能的实现方式中，所述编码器结构为两个串联的transformer编码器。

19、本发明实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行上述的方法。

20、本发明中的一种高光谱图像分类方法、系统及计算机存储介质，具有以下优点：

21、（1）为充分挖掘高光谱图像不同层次的特征，联合利用卷积神经网络和vit的优势，提出了一种基于多层次特征提取网络的分类方法，以获得最优质空谱联合特征图的分类结果。

22、（2）引入了空间-光谱注意力模块，从可用特征中突出强调最相关和信息量最大的特征，且可用于动态调整每个波段的权重，使得模型更好地聚焦于强判别性特征，抑制冗余信息干扰。

技术特征：

1.一种高光谱图像分类方法，其特征在于，包括：

2.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述步骤s2中，采用主成分分析法对所述原始高光谱图像进行降维，以获取降维后的高光谱图像。

3.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述分类网络采取多层感知机实现分类。

4.一种高光谱图像分类系统，其特征在于，包括：

5.根据权利要求4所述的高光谱图像分类系统，其特征在于，所述多层次特征提取神经网络包括：浅层特征提取模块、空间-光谱注意力模块和深层特征提取模块。

6.根据权利要求5所述的高光谱图像分类系统，其特征在于，所述浅层特征提取模块包含两个残差连接层、两个三维卷积块和两个二维卷积块；

7.根据权利要求5所述的高光谱图像分类系统，其特征在于，所述空间-光谱注意力模块包含一个空间注意力模块和一个光谱注意力模块；

8.根据权利要求5所述的高光谱图像分类系统，其特征在于，所述深层特征提取模块将输入的特征图划分成二维图像块，并通过线性映射层将二维图像块转为一维向量，然后将位置信息与所述一维向量结合输入编码器结构中。

9.根据权利要求8所述的高光谱图像分类系统，其特征在于，所述编码器结构为两个串联的transformer编码器。

10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有多条计算机指令，所述计算机指令用于使计算机执行权利要求1-3任一项所述的方法。

技术总结
本发明公开了一种高光谱图像分类学习方法、系统及介质，该方法包括：随机采集不同场景下的原始高光谱图像；将原始高光谱图像进行降维和切分，获得三维图像块；将获取的三维图像块输入多层次特征提取神经网络，获得空谱联合特征图；重复迭代应用多层次特征提取神经网络，获得最优质空谱联合特征图；将获取的最优质空谱联合特征图输入到分类网络中，得到分类结果。本发明结合卷积神经网络和ViT的优势，能够充分挖掘高光谱图像不同层次的特征，进而获得最优质空谱联合特征图的分类结果。

技术研发人员：张二磊,房绍旖,张宏鸣,冯明晨
受保护的技术使用者：西北农林科技大学深圳研究院
技术研发日：
技术公布日：2024/1/5