[發(fā)明專利]基于注意力機制和卷積神經(jīng)網(wǎng)絡(luò)高光譜遙感圖像分類方法

有效

• 申請?zhí)枺?/td>: 201811566829.2
• 申請日: 2018-12-19
• 公開（公告）號: CN109376804B
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計）人: 劉小波;尹旭;劉沛宏;汪敏;蔡耀明;喬禹霖;劉鵬
• 申請（專利權(quán)）人: 中國地質(zhì)大學（武漢）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢知產(chǎn)時代知識產(chǎn)權(quán)代理有限公司 42238
• 代理人: 郝明琴

1.基于注意力機制和卷積神經(jīng)網(wǎng)絡(luò)高光譜遙感圖像分類方法，高光譜遙感圖像包含了光譜信息和空間信息；其特征在于：包括以下步驟：

S101：根據(jù)主成份分析法，對原始高光譜遙感圖像R₁進行降維，將降維后的高光譜遙感圖像R₂進行樣本取塊，得到一個高光譜樣本塊T₁；獲得的高光譜樣本塊即為高光譜樣本的特征信息；

S102：對高光譜樣本塊T₁進行3D卷積操作，得到樣本塊的中間特征圖譜T₂；

S103：對樣本塊的中間特征圖譜T₂進行池化操作，得到中間特征圖譜T₃；

S104：分別將中間特征圖譜T₃中每一個光譜向量與光譜注意力模塊和每一個空間特征與空間注意力模塊進行按位相乘，得到高光譜遙感圖像的注意力增強樣本T₄；其中，光譜注意力模塊和空間注意力模塊由對中間特征圖譜T₃進行卷積操作或者池化操作得到的；

S105：對高光譜遙感圖像的注意力增強樣本T₄依次進行3D卷積操作和池化操作，然后將得到的中間特征圖譜T₆中每一個光譜向量與光譜注意力模塊以及每一個空間特征與空間注意力模塊進行按位相乘，得到高光譜遙感圖像的注意力增強樣本T₇；

S106：對高光譜遙感圖像的注意力增強樣本T₇進行3D卷積操作，得到一維的高光譜遙感圖像的中間特征圖譜T₈；

S107：將高光譜遙感圖像的中間特征圖譜T₈輸入到分類器中，對高光譜遙感圖像進行分類。

2.如權(quán)利要求1所述的基于注意力機制和卷積神經(jīng)網(wǎng)絡(luò)高光譜遙感圖像分類方法，其特征在于：

在步驟S101中，根據(jù)主成份分析法對原始高光譜遙感圖像R₁進行降維，得到高光譜遙感圖像R₂的過程如下：

用X＝(x₁,x₂,...,x_Q)＝(X₁,X₂,...,X_B)^T表示原始高光譜遙感圖像R₁，其中，x_i表示原始高光譜遙感圖像R₁的第i個像素點，i＝1,2,...,Q，X_j表示原始高光譜遙感圖像R₁的第j個波段，j＝1,2,...,B，分別利用公式(1)和公式(2)計算原始高光譜遙感圖像R₁的波段均值和協(xié)方差矩陣：

其中，Q和B均為正整數(shù)，為原始高光譜遙感圖像R₁的波段均值，Q為像素點個數(shù)，Q＞0；為原始高光譜遙感圖像R₁的協(xié)方差矩陣，B為波段個數(shù)，B＞0；

計算的特征根λ₁≥λ₂≥...≥λ_B≥0，設(shè)定閾值θ，選擇滿足λ₁≥λ₂≥...≥λ_P≥θ的前P個主成分，P為正整數(shù)，且P＞1，B遠遠大于P，由前P個主成分的特征根得到相應(yīng)的單位特征向量t₁,t₂,...,t_P，W＝[t₁,t₂,...,t_P]，A為W的轉(zhuǎn)置矩陣，即A＝W^T，以A為變換矩陣，對原始高光譜遙感圖像進行變換，變換后的結(jié)果為Y，Y＝(Y₁,Y₂,...,Y_P)^T＝AX，Y即為得到的高光譜遙感圖像R₂^P×L×H，P為降維后的主成分個數(shù)，即降維后高光譜遙感圖像R₂^P×L×H的波段數(shù)，L為高光譜遙感圖像R₂^P×L×H在空間長度方向上的像素點個數(shù)，H為高光譜遙感圖像R₂^P×L×H在空間寬度方向上的像素點個數(shù)。