高光谱图像进行深度降维分类方法

本发明属于计算机视觉和机器学习，涉及高光谱图像进行深度降维分类方法。

背景技术：

1、在高光谱图像(hsi)分类中，处理数据的高维度和类不平衡仍然是一项重大挑战。最近，基于图的深度学习算法通过对特征之间的空间拓扑联系进行有效建模，在提高分类性能方面大有可为。然而，卷积神经网络(cnn)在处理低样本量时难以保证准确性，而图卷积网络(gcn)的计算成本又很高。为了解决这些问题，提出了一种名为ddr-3cgat的新型特征融合模型，即本发明的高光谱图像进行深度降维分类方法。

技术实现思路

1、本发明的目的是提供高光谱图像进行深度降维分类方法，本方法提出了一种名为ddr-3cgat的模型，它结合了深度降维技术、3d卷积神经网络3d-cnn和图注意网络gat；这种模型旨在克服高维数据处理中的困难，具备提高分类准确性的特点。

2、本发明所采用的技术方案是，高光谱图像进行深度降维分类方法，具体按以下步骤实施：

3、步骤1，数据预处理；

4、步骤2，对处理的数据进行特征提取；

5、步骤3，对提取的特征进行融合；

6、步骤4，对融合后的特征进行分类；

7、步骤5，最后进行结果验证。

8、本发明的特点还在于：

9、其中步骤1中数据预处理具体包括维度降低与主成分分析两部分：

10、维度降低具体为：使用增强变换还原etr方法降低数据的复杂度，增加类别间的变化；

11、主成分分析具体为：应用pca对从etr得到的降维数据进行处理，进一步降低数据维度，同时保留最具信息量的特征；

12、其中步骤2中特征提取具体为：

13、使用3d卷积神经网络3d-cnn来提取hsi数据中的空间和光谱信息；然后使用图注意网络gat来建模hsi数据中的空间和光谱信息之间的关系；

14、其中步骤3中特征融合具体为：首先融合3d-cnn和gat的输出，特征融合层结合3d-cnn和gat的输出，3d-cnn提供空间和光谱特征，gat提供上下文信息，然后融合层操作，将3d-cnn的特征张量，即代表学习到的特征图，与gat的注意力权重，即反映基于空间关系的不同特征的重要性结合；

15、其中步骤4具体为经过步骤3特征融合后，使用分类器对hsi数据进行分类，以实现更高的分类准确率。

16、本发明的有益效果是：

17、本发明的用于高光谱图像hsi分类的方法，它将增强变换还原etr方法与主成分分析pca降维以及名为ddr-3cgat的特征融合模型相结合；其目的是克服高维、类不平衡和训练样本有限等问题；etr+pca降维技术有效地解决了恒星图像中的混合像素、噪声和冗余等问题；通过降低数据复杂度并保留相关信息，etr+pca提高了后续分类算法的效率和准确性；ddr-3cgat模型集成了3d-cnn和混合gat模块，进一步提高了分类性能；3d-cnn充分利用了hsi中的空间信息，而混合gat模块则有效捕捉了特征之间的空间拓扑联系，有助于准确分类；结合这些组件的特征融合方法提高了整体分类准确性，尤其是在训练样本有限的情况下。

技术特征：

1.高光谱图像进行深度降维分类方法，其特征在于，具体按以下步骤实施：

2.根据权利要求1所述的高光谱图像进行深度降维分类方法，其特征在于，所述步骤1中数据预处理具体包括维度降低与主成分分析两部分：

3.根据权利要求1所述的高光谱图像进行深度降维分类方法，其特征在于，所述步骤2中特征提取具体为：

4.根据权利要求1所述的高光谱图像进行深度降维分类方法，其特征在于，所述步骤3中特征融合具体为：首先融合3d-cnn和gat的输出，特征融合层结合3d-cnn和gat的输出，3d-cnn提供空间和光谱特征，gat提供上下文信息，然后融合层操作，将3d-cnn的特征张量，即代表学习到的特征图，与gat的注意力权重，即反映基于空间关系的不同特征的重要性结合。

5.根据权利要求1所述的高光谱图像进行深度降维分类方法，其特征在于，所述步骤4具体为经过步骤3特征融合后，使用分类器对hsi数据进行分类，以实现更高的分类准确率。

技术总结
本发明公开了高光谱图像进行深度降维分类方法，提出了DDR‑3CGAT的模型建立，它结合了深度降维技术、3D卷积神经网络3D‑CNN和图注意网络GAT；这种模型旨在克服高维数据处理中的困难，具备提高分类准确性的特点。

技术研发人员：尤佳,唐浩,徐博,黄梦醒,张雨,代丽斯
受保护的技术使用者：海南大学
技术研发日：
技术公布日：2024/3/27