[發明專利]一種高光譜遙感影像分類方法及裝置

在審

• 申請號: 202011009872.6
• 申請日: 2020-09-23
• 公開（公告）號: CN112101271A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 宋海峰;楊巍巍;于翔;戴松松;杜磊
• 申請（專利權）人: 臺州學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

1.一種高光譜遙感影像分類方法，其特征在于，包括以下步驟：

獲取高光譜遙感影像，并送入訓練好的3D多尺度空譜特征融合的密集殘差網絡進行分類；

所述3D多尺度空譜特征融合的密集殘差網絡，包括基礎特征提取模塊、光譜特征提取模塊、空間特征提取模塊，以及融合分類模塊；

所述基礎特征提取模塊為卷積核是1×1×m的卷積層；基礎特征提取模塊將提取到的3D特征圖O_n-1分別送入光譜特征提取模塊和空間特征提取模塊；

所述光譜特征提取模塊，首先使用K個尺寸為1×1×p和1×1×q卷積核提取光譜域的多尺度特征；提取兩個尺度下的淺層光譜特征，融合每個尺度下學習的K個特征圖和原始輸入O_n-1得到O_n；然后再使用K個尺寸為1×1×p和1×1×q的光譜卷積核，對O_n進行多尺度卷積運算，在光譜特征提取之后，融合每個尺度下學習的K個特征圖以及O_n和原始輸入O_n-1得到光譜特征圖O_n+1；

所述空間特征提取模塊，首先使用K'個尺寸為p'×p'×1和q'×q'×1卷積核學習光譜域的多尺度特征；提取兩個尺度下的淺層光譜特征，融合每個尺度下學習的K'個特征圖和原始輸入O'_n-1得到O'_n；然后再使用K'個p'×p'×1和q'×q'×1的光譜卷積核，對O'_n進行多尺度卷積運算，在光譜特征提取之后，融合每個尺度下學習的K'個特征圖以及O'_n和原始輸入O'_n-1得到空間特征O'_n+1；

所述融合分類模塊，將所提取的光譜特征和空間結構特征做連接運算，然后輸入到BN，RELU和CONV層；在末尾插入全局平均池化層+BN層+RELU層；然后連接FC層，在FC層之后，使用softmax層得到最終的分類結果。

2.根據權利要求1所述的一種高光譜遙感影像分類方法，其特征在于，所述3D多尺度空譜特征融合的密集殘差網絡在訓練過程中確定損失函數的過程包括以下步驟：

Step1：計算類別權重系數

式中，α_i為第i個類別的權重系數，1≤i≤K3，n_i為第i個類別的樣本數，N為所有樣本的總數，K3為樣本類別總數；

Step2：計算各類別損失函數值l_i(θ_i,θ'_i)＝α_i(θ_i-θ'_i)²；

式中，l_i(θ_i,θ'_i)為第i個類別的損失值，θ_i為第i個類別的真實值，θ'_i為第i個類別的預測值；

Step3：計算總體的損失函數

3.根據權利要求2所述的一種高光譜遙感影像分類方法，其特征在于，所述基礎特征提取模塊使用步長為2的24個1×1×7的卷積核對原圖像進行卷積運算。

4.根據權利要求1、2或3所述的一種高光譜遙感影像分類方法，其特征在于，所述光譜特征提取模塊的1×1×p和1×1×q卷積分別為1×1×7和1×1×5。

5.根據權利要求4所述的一種高光譜遙感影像分類方法，其特征在于，所述光譜特征提取模塊中的卷積核對應的處理單元為BN層+RELU層+卷積層+DROPOUT操作層。

6.根據權利要求5所述的一種高光譜遙感影像分類方法，其特征在于，所述空間特征提取模塊的p'×p'×1和q'×q'×1卷積核分別為5×5×1和3×3×1。

7.根據權利要求6所述的一種高光譜遙感影像分類方法，其特征在于，所述空間特征提取模塊中的卷積核對應的處理單元為BN層+RELU層+卷積層+DROPOUT操作層。