[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

本發明公開了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，其中，模型包括多尺度近端特征拼接模塊和分類模塊，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；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；第一特征提取支路與第二特征提取支路并聯后與特征拼接層及平均池化層依次串接；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；第二特征提取支路包括第三空洞卷積層；輸入特征傳遞支路用于傳遞原始空譜特征。本申請裝置中的模型引入相鄰近端特征上下文信息，利用各特征圖的空間多樣性與特征相關性，提升分類精度。

技術領域

本發明涉及高光譜圖像分類方法，具體涉及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。

背景技術

高光譜遙感圖像具有強大的對地目標區分能力，可以從上百條連續的光譜波段中提取地物信息，在軍事目標探測、海洋監測、災害防治等方面均發揮了重要作用。高光譜圖像的識別與分類始終是高光譜圖像分析的一個關鍵問題，關系著高光譜遙感技術的推進和發展。因此，研究高效實用的高光譜遙感圖像(Hyperspectral image，HSI)分類方法，對充分挖掘高光譜遙感技術的應用潛力具有重要意義。

迄今為止，研究者已經提出形形色色的方法將高光譜圖像的像元劃分為特定的土地覆蓋類。在早期的分類方法中，諸如k臨近分類器和支持向量機等光譜分類器被廣泛使用，而后為了更好的應對高光譜圖像復雜的空間分布和光譜分布，將空間和光譜特征納入分類方法的也得到了廣泛關注。但是這些方法大多屬于淺層模型，這種模型中的非線性變換層數不足以表示高光譜圖像復雜的空間和光譜特征，泛化能力較弱。同時，由于其往往基于手工特征，高度依賴個人經驗。

為了克服這些缺點，深度學習被引入高光譜分類中，它可以自動的從原始輸入數據中由低到高的學習層次特征，進而充分挖掘高光譜圖像中更具代表性的顯著特征。作為深度學習的代表算法之一，卷積神經網絡具有出色的表征學習能力，這使得其在提取高光譜圖像空間特征信息方面擁有巨大的優勢。目前，為了進一步提升各級卷積利用率，獲取更多更有效的判別特征，密集網絡，多尺度濾波器被應用于算法模型中，但前者需要大量的跳躍結構參與，這會導致訓練參數大幅增加，而后者為了獲取更多的局部空間相關性，也會增大卷積核尺寸，進而導致計算代價增大，且現有的多尺度濾波器往往沒有考慮近端特征間的上下文聯系。

發明內容

發明目的：本申請的目的在于提供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，解決高光譜圖像分類精度低，訓練代價大，分類效率低的缺陷。

技術方案：本發明一方面提供了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，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，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多尺度近端特征拼接模塊和分類模塊后得到分類結果；其中，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；

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；第一特征提取支路與第二特征提取支路并聯后與特征拼接層及平均池化層依次串接；

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；第二特征提取支路包括第三空洞卷積層；輸入特征傳遞支路為一條將原始空譜特征圖傳輸至特征拼接層的超鏈接。

進一步地，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，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；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；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。