[發明專利]基于多尺度近端特征拼接的高光譜圖像分類模型的裝置

有效

• 申請號: 202010816542.1
• 申請日: 2020-08-14
• 公開（公告）號: CN112052881B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 高紅民;曹雪瑩;李臣明;陳月;花再軍
• 申請（專利權）人: 河海大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于多尺度近端特征拼接的高光譜圖像分類模型的裝置，其特征在于，所述裝置包括基于多尺度近端特征拼接的高光譜圖像分類模型，所述模型包括多尺度近端特征拼接模塊和分類模塊，輸入的原始空譜特征圖經過依次經過所述多尺度近端特征拼接模塊和所述分類模塊后得到分類結果；其中，所述多尺度近端特征拼接模塊包括多個串接的多尺度近端特征拼接單元；

所述多尺度近端特征拼接單元包括第一特征提取支路、第二特征提取支路、輸入特征傳遞支路、特征拼接層和平均池化層；所述第一特征提取支路與所述第二特征提取支路及輸入特征傳遞支路并聯后與所述特征拼接層及所述平均池化層依次串接；

所述第一特征提取支路包括串接的第一空洞卷積層和第二空洞卷積層；所述第二特征提取支路包括第三空洞卷積層；所述輸入特征傳遞支路為一條將所述原始空譜特征圖傳輸至所述特征拼接層的超鏈接。

2.根據權利要求1所述的裝置，其特征在于，所述第一空洞卷積層、第二空洞卷積層和第三空洞卷冊層的卷積核設置為32,3*3；其中，所述第一空洞卷積層的空洞率為1，得到的特征圖相對于原始空譜特征圖的感受野為3；所述第二空洞卷積層的空洞率為2，得到的特征圖相對于原始空譜特征圖的感受野為7；所述第三空洞卷積層的空洞率為2，得到的特征圖相對于原始空譜特征圖的感受野為5。

3.根據權利要求1所述的裝置，其特征在于，所述分類模塊包括Flatten層、全局平均池化層和softmax函數，所述多尺度近端特征拼接模塊的輸出特征圖由所述Flatten層壓縮至一維，而后傳遞給全局平均池化層來融合所學到的光譜特征，最后利用softmax函數進行目標分類。

4.根據權利要求3所述的裝置，其特征在于，所述softmax函數的單元數量為類別總數。

5.一種利用權利要求1～4中任一項所述的裝置中的模型進行高光譜圖像分類的方法，其特征在于，包括：

(1)對采集的高光譜圖像進行歸一化處理；

(2)采用PCA算法對歸一化后的高光譜圖像進行降維，提取包含信息量最多的前三個光譜波段作為降維后的高光譜圖像；

(3)針對降維后的高光譜圖像，提取以待分類像元以及以其為中心的預設數量的鄰域像素作為原始空譜特征，得到標記樣本集并統計出標記樣本的總數；

(4)從所述標記樣本集中隨機選取預設比例的標記樣本作為訓練集；

(5)訓練模型：基于所述訓練集利用訓練算法訓練待訓練模型得到訓練好的分類模型；

(6)利用訓練好的分類模型對待測目標高光譜圖像進行類別預測，得到分類結果。

6.根據權利要求5所述的方法，其特征在于，所述訓練算法采用mini-batch訓練法，將訓練集中的樣本批量輸入至待訓練模型中，以標注的類別為指導信息，利用梯度下降算法對網絡參數進行訓練，直至模型訓練精度收斂。

7.一種計算機可讀存儲介質，其特征在于，所述介質中包括計算機可執行指令，所述指令被執行時用于實現權利要求5或6所述的分類方法。