[發明專利]基于注意力機制和卷積神經網絡高光譜遙感圖像分類方法

有效

• 申請號: 201811566829.2
• 申請日: 2018-12-19
• 公開（公告）號: CN109376804B
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 劉小波;尹旭;劉沛宏;汪敏;蔡耀明;喬禹霖;劉鵬
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 郝明琴

本發明提供了基于注意力機制和卷積神經網絡高光譜遙感圖像分類方法，對原始高光譜遙感圖像進行主成份分析法降維，將降維后的高光譜數據進行樣本取塊；之后進行3D卷積操作和池化操作，得到中間特征圖譜；然后分別將中間特征的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，得到注意力增強樣本；之后再進行一次卷積操作與注意力增強操作；然后將通過3D卷積操作得到的中間特征圖譜輸入到分類器中進行分類。本發明的有益效果是：降低分類成本，提高分類性能，通過樣本特征的提取與增強，實現自適應特征細化，進而提高了高光譜遙感圖像的分類精度。

技術領域

本發明涉及高光譜圖像分類領域，尤其涉及基于注意力機制和卷積神經網絡高光譜遙感圖像分類方法。

背景技術

遙感是一種遠距離、非接觸式的目標探測技術和方法，是人們研究地面物體特性的一種重要手段。隨著硬件技術的快速發展以及應用需求的不斷增長，所獲遙感圖像從寬波段逐漸向窄波段成像發展，同時呈現出高空間分辨率、高光譜分辨率、高時間分辨率等特點，高光譜遙感由此而產生。高光譜遙感技術是遙感發展史上極具標志性的成果，它的迅速發展引起了各國科學家的廣泛重視，成為當前遙感領域的研究熱點。

通過高光譜遙感技術所獲得的圖像，在記錄地物空間信息的同時也采集到了光譜信息，因而具有圖譜合一的性質。相比較于傳統的遙感圖像，高光譜遙感圖像具有分辨率高、數據量大、光譜范圍窄、波段多且連續等特點，因此特征維數和信息冗余程度也相對較高。基于上述特點，對高光譜遙感圖像的利用已經在海洋監測、植被研究、精細農業、地質調查、大氣環境等方面得到廣泛體現。

由于高光譜遙感圖像能夠以較高分辨率收集到地物信息，并且豐富的光譜信息有利于物質的物理化學特性反演，因此對其進行分類是獲取地物信息的一種重要手段。近年來，越來越多的人們投身于高光譜遙感圖像分類的方法研究中，挖掘其蘊含的海量信息，實現充分有效的利用。

傳統的算法如支持向量機、隨機森林、貝葉斯等對早期的高光譜遙感圖像分類做出了重要貢獻，一般通過對高光譜遙感圖像進行降維后，利用數學算法和機理實現樣本的分類。Liu等人選用徑向基函數作為支持向量機的核函數，通過提取到的光譜信息完成對高光譜圖像的分類。Jonathan等人根據高光譜遙感圖像的像素稀疏表示特征和光譜信息，分別構造隨機森林，并利用投票機制完成了分類過程。但這些傳統的方法具有一定的局限性，諸如高光譜遙感圖像中存在“同物異譜”和“同譜異物”現象，數據結構呈現高度非線性，而基于統計識別模式的分類模型難以對原始圖像進行處理；高光譜遙感圖像存在“Hughes現象”的問題，傳統算法只能獲取光譜信息用于分類，因此容易出現分類精度隨維度增加而降低的現象。

深度學習是基于對數據進行表征學習的一種機器學習方法，目的是建立、模擬人腦進行分析學習的多層神經網絡，用來解釋一些圖像、聲音、文本等數據，并且已經在高光譜遙感領域得到廣泛應用。由于深度學習可以提取圖像中更抽象、更深層的特征，相比較傳統的分類方法，深度學習不但可以提取到光譜信息，還可以利用空間信息與光譜信息相結合進行分類，因此具有更強的分類能力。深度學習方法中以深度神經網絡為代表，深度神經網絡中的卷積神經網絡在高光譜遙感圖像分類中取得了良好的應用，然而卷積神經網絡的輸入信息量與分類效果并不是完全正相關，一定模型下，太過復雜的輸入不僅會使得訓練時間、分類時間變長，甚至會導致精度不增反而下降。因此有必要對卷積神經網絡分類前的特征提取過程進行深入研究，能夠在開銷較小的前提下，達到特征的自適應細化的目的。

發明內容

為了解決上述問題，本發明提供了基于注意力機制和卷積神經網絡高光譜遙感圖像分類方法，基于注意力機制和卷積神經網絡高光譜遙感圖像分類方法，主要包括以下步驟：

S101：根據主成份分析法，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；