[發(fā)明專利]一種基于注意力約束非負(fù)矩陣分解的高光譜分類方法

有效

• 申請?zhí)枺?/td>: 201811455687.2
• 申請日: 2018-11-30
• 公開（公告）號(hào): CN109583380B
• 公開（公告）日: 2020-01-17
• 發(fā)明（設(shè)計(jì)）人: 楊祖元;梁乃耀;李珍妮;黃昊楠
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 44102 廣州粵高專利商標(biāo)代理有限公司
• 代理人: 林麗明

1.一種基于注意力約束非負(fù)矩陣分解的高光譜分類方法，其特征在于，所述的方法包括以下步驟：

S1：輸入原始高光譜圖像數(shù)據(jù)，得到高光譜圖像矩陣X；

S2：將高光譜圖像矩陣X歸一化；

S3：采用非負(fù)矩陣分解算法將歸一化后的高光譜圖像矩陣X分解，得到端元矩陣U和底層豐度矩陣H；

S4：將端元矩陣U和底層豐度矩陣H歸一化；

S5：根據(jù)底層豐度矩陣H，采用正交匹配追蹤算法，求出注意力參數(shù)化矩陣W，并對(duì)注意力參數(shù)化矩陣W進(jìn)行初始化；

S6：對(duì)注意力參數(shù)化矩陣W進(jìn)行歸一化；

S7：將高光譜圖像矩陣X、端元矩陣U、底層豐度矩陣H和注意力參數(shù)化矩陣W，采用注意力非負(fù)矩陣分解更新迭代至收斂得到端元矩陣以及對(duì)應(yīng)豐度矩陣；

步驟S5中，對(duì)注意力參數(shù)化矩陣W初始化的方法為：采用正交匹配追蹤算法，對(duì)注意力參數(shù)化矩陣W進(jìn)行初始化；

其中，正交匹配追蹤算法即為求取如下運(yùn)算的最小值的過程：

其中，輸入h_i為第i個(gè)端元光譜對(duì)應(yīng)的豐度向量，輸出s_i∈R^r×1為稀疏編碼向量；輸出字典W＝[w₁,...,w_r]∈R^n×r為注意力參數(shù)化矩陣，W的列向量w_i為注意力機(jī)制的第i個(gè)查詢，r為光譜圖像中端元的個(gè)數(shù)；

步驟S7中，注意力約束非負(fù)矩陣分解的模型如下所示：

X≈UV，V＝attention(H,A)＝A^TH＝(HW)^TH

其中，W為由正交匹配追蹤算法得到的字典子集矩陣，即注意力參數(shù)化矩陣，W的列向量w_i為注意力機(jī)制的第i個(gè)查詢；A＝[a₁,...,a_r]＝HW∈R^r×r為在豐度矩陣H中提取的注意力權(quán)重矩陣，r為光譜圖像中端元的個(gè)數(shù)，A的列向量a_i為第i個(gè)查詢w_i對(duì)豐度矩陣H的概率分布，每一個(gè)元素a_j,i為第i個(gè)查詢w_i對(duì)第j個(gè)豐度向量h_j的得分；V＝attention(H,A)＝A^TH為將注意力權(quán)重矩陣A和底層豐度矩陣H融合得到的豐度矩陣。

2.根據(jù)權(quán)利要求1所述的基于注意力約束非負(fù)矩陣分解的高光譜分類方法，其特征在于，步驟S2中，高光譜圖像矩陣的歸一化處理公式為：

X＝X./max(max(X))

其中，X為高光譜圖像矩陣，X＝[x₁,...,x_m]^T∈R^m×n，X是一個(gè)m維的矩陣；m表示高光譜圖像的波段數(shù)，n表示高光譜圖像數(shù)據(jù)中像元的個(gè)數(shù)，R表示實(shí)數(shù)域，T表示矩陣的轉(zhuǎn)置,“./”表示矩陣逐元素除。

3.根據(jù)權(quán)利要求1所述的基于注意力約束非負(fù)矩陣分解的高光譜分類方法，其特征在于，步驟S3中，將步驟S2得到的高光譜圖像矩陣采用非負(fù)矩陣分解算法NMF，得到高光譜圖像的端元矩陣U和豐度矩陣H；

NMF的模型如下所示：

X≈UH

其中，得到的U＝[u₁,...,u_r]∈R^m×r為端元矩陣，r為對(duì)應(yīng)光譜圖像中端元的個(gè)數(shù)，U的列向量ui為第i個(gè)端元的光譜向量；H＝[h₁,...,h_r]^T∈R^r×n為豐度特征矩陣，H的行向量h_i為第i個(gè)端元的空間分布，R表示實(shí)數(shù)域。

4.根據(jù)權(quán)利要求1所述的基于注意力約束非負(fù)矩陣分解的高光譜分類方法，其特征在于，步驟S4中，高光譜圖像的端元矩陣和豐度矩陣數(shù)值歸一化公式為：

U＝U./sum(U)，H＝H./sum(H)

其中，“./”表示矩陣逐元素除。