[發(fā)明專利]基于可變形分離卷積的高光譜圖像分類方法

有效

• 申請?zhí)枺?/td>: 202010581348.X
• 申請日: 2020-06-23
• 公開（公告）號: CN111667019B
• 公開（公告）日: 2023-03-24
• 發(fā)明（設計）人: 張鈞萍;閆清宇
• 申請（專利權）人: 哈爾濱工業(yè)大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/084
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 張利明

1.基于可變形分離卷積的高光譜圖像分類方法，其特征在于，該圖像分類方法包括：

S1、將高光譜圖像每個像素點的r×r×d鄰域的圖像數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入，其中，M表示標記樣本個數(shù)，r表示空間大小，d表示高光譜圖像的波段數(shù)；

S2、對輸入的高光譜圖像經(jīng)過深度分離卷積提取圖像低層次的特征，獲得特征圖；

S3、采用加入可變形運算的分離卷積學習特征圖對應的偏置，獲得自適應圖像的空間分布，再采用光譜卷積運算提取深度的特征；

S4、將S3獲取的深度特征輸入神經(jīng)網(wǎng)絡的全連接層和softmax回歸層預測每個類的概率分布，完成圖像分類；

S3所述采用加入可變形運算的分離卷積學習特征圖對應的偏置，獲得自適應圖像的空間分布，其具體過程包括：

加入可變形運算的分離卷積為：

在卷積中引入偏移量{ΔP_n|n＝1,…,N}調(diào)整卷積核R，其中N＝|R|；

獲得自適應圖像的空間分布為：

其中，P_n表示卷積核的每個值，w(P_n)表示卷積核在P_n點處的值，P₀表示對輸入特征圖進行卷積的中心位置；

x(·)通過雙線性插值計算獲得：

其中，P＝P₀+P_n+ΔP，q表示包含進行雙線性插值計算時所有積分的位置，G(·)表示二維函數(shù)，是兩個一維函數(shù)g(q_x,P_x)和g(q_y,P_y)的乘積：

G(q,P)＝g(q_x,P_x)·g(q_y,P_y)；

其中，兩個一維函數(shù)g(a,b)＝max(0,1-|a-b|)，a和b是一維函數(shù)的變量。

2.根據(jù)權利要求1所述的基于可變形分離卷積的高光譜圖像分類方法，其特征在于，S2所述獲得的特征圖還包括：

采用最大池化將S2獲得的每個特征圖進行縮小。

3.根據(jù)權利要求1所述的基于可變形分離卷積的高光譜圖像分類方法，其特征在于，S3所述提取深度特征還包括：

采用全局平均池化減少S3提取的深度特征的參數(shù)。

4.根據(jù)權利要求1-3任一項權利要求中所述的基于可變形分離卷積的高光譜圖像分類方法，其特征在于，S2所述經(jīng)過深度分離卷積提取圖像低層次的特征，獲得特征圖，其具體過程包括：

S2-1、對輸入的高光譜圖像在空間上進行卷積；

S2-2、利用1×1點卷積提取光譜特征，獲得特征圖。

5.根據(jù)權利要求4所述的基于可變形分離卷積的高光譜圖像分類方法，其特征在于，S2-1所述對輸入的高光譜圖像在空間上進行卷積包括：

對m個輸入高光譜圖像的特征圖x使用卷積核R進行采樣；

對采樣值進行加權運算后求和。