[發明專利]基于奇異值分解和空譜域注意力機制高光譜圖像分類方法

有效

• 申請號: 202010117283.3
• 申請日: 2020-02-25
• 公開（公告）號: CN111353531B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 馬文萍;李龍偉;朱浩;武越;周曉波
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/088;G06N3/048;G06N3/047
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

本發明公開了一種基于奇異值分解和空譜域注意力機制高光譜圖像分類方法，從數據集中讀入高光譜圖像，其中包括三個廣泛使用的高光譜圖像數據集，即Indian Pines數據集，Pavia University數據集和Salinas Valley數據集，選擇任一種且對應只有部分區域的類標ground truth圖進行處理；對樣本進行粗處理，構造基于奇異值分解卷積網絡的無監督特征提取模型；按照訓練集：驗證集：測試集＝10％：10％：80％的方式，選取訓練集、驗證集和測試集；對樣本進行細處理，構造基于空譜域注意力機制網絡的雙支路分類模型；利用訓練數據集對分類模型進行訓練，得到訓練好的分類模型；利用訓練好的分類模型對測試數據集進行分類，得到測試數據集中每個像素點的類別。本發明提高了高光譜圖像分類的精度與速度。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種基于奇異值分解和空譜域注意力機制高光譜圖像分類方法。

背景技術

高光譜遙感對地觀測技術被廣泛的應用在很多不同的領域，例如礦業、天文學、化學成像、農業、環境科學、荒地火災跟蹤和生物威脅檢測等。高光譜圖像分類技術是高光譜遙感對地觀測技術的一項重要內容，其具體任務是對高光譜圖像中的每一個像素所代表的目標進行分類。然而由于高光譜圖像存在高維特性，譜間相似性及可訓練樣本少等問題，高光譜圖像分類技術面臨一系列的挑戰。

注意力機制和人類的視覺注意力很相似，人類的注意力是人類視覺所特有的大腦信號處理機制。人類通過快速掃描全局圖像，獲得需要重點關注的目標區域，得到注意力焦點，而后對這一區域投入更多注意力，以獲取更多所需要關注目標的細節信息，從而抑制其他無用信息。這是人類利用有限的注意力資源從大量信息中快速篩選出高價值信息的手段，是人類在長期進化中形成的一種生存機制，極大地提高了視覺信息處理的效率與準確性。深度學習中的注意力機制從本質上講和人類的選擇性視覺注意力機制類似，目的也是從眾多信息中選擇出對當前任務目標更關鍵的信息。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于奇異值分解和空譜域注意力機制高光譜圖像分類方法，用提出的奇異值分解卷積網絡對樣本進行粗略但有效的篩選和特征提取，一定程度上緩解高光譜圖像數據量大、樣本數量少的問題，同時利用雙支路對樣本進行空譜域的進一步特征提取融合，能提高高光譜圖像分類問題的精度與速度。

本發明采用以下技術方案：

基于奇異值分解和空譜域注意力機制高光譜圖像分類方法，包括以下步驟：

S1、從數據集中讀入高光譜圖像，其中包括三個廣泛使用的高光譜圖像數據集，即Indian Pines數據集，Pavia University數據集和Salinas Valley數據集，選擇任一種且對應只有部分區域的類標ground truth圖進行處理；

S2、對樣本進行粗處理，構造基于奇異值分解卷積網絡的無監督特征提取模型；

S3、按照訓練集：驗證集：測試集＝10％：10％：80％的方式，選取訓練集、驗證集和測試集；

S4、對樣本進行細處理，構造基于空譜域注意力機制網絡的雙支路分類模型；

S5、利用訓練數據集對分類模型進行訓練，得到訓練好的分類模型；

S6、利用訓練好的分類模型對測試數據集進行分類，得到測試數據集中每個像素點的類別。

具體的，步驟S2具體為：

S201、隨機在原始圖像上選擇N個像素點，以每個像素為中心取鄰域7×7的區域作為樣本塊，輸入樣本塊，對樣本塊去平均處理；

S202、假設光譜維度為C，將處理后的樣本塊組合成一個新的矩陣X，矩陣X的大小為(7×7×C)×N，其中每一列為一個樣本塊，含有7×7×C個元素；