[發明專利]基于可分離卷積和密集連接的高光譜圖像分類方法及介質

在審

• 申請號: 202011062549.5
• 申請日: 2020-09-30
• 公開（公告）號: CN112183399A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 顏軍;宗達;蔣曉旭;鄧劍文;宋廷強;劉童心;黃騰杰;吳明朗;鄭忠良
• 申請（專利權）人: 珠海歐比特宇航科技股份有限公司;廣東歐比特人工智能研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 鄭晨鳴

本發明涉及一種基于可分離卷積和密集連接的高光譜圖像分類方法及介質的技術方案，包括：搭建高光譜分類網絡，初始化輸入數據；對輸入數據使用密集連接方式進行特征提??；對頻譜維度進行壓縮；通過感受野對空間信息進行第融合，同時整合數據的頻譜信息，使用可分離卷積輸出對應的特征圖；使用無參的全局平均池化，將特征圖投票，輸出值拼接輸入全連接層，并通過softmax輸出分類。本發明的有益效果為：降低計算量的同時大大減少了網絡參數，提高網絡分類效率；顯著提高了3個常用的高光譜數據集的分類準確率；使得卷積神經網絡結構具有較好的泛化能力。

技術領域

本發明涉及計算機及圖像處理領域，具體涉及了一種基于可分離卷積和密集連接的高光譜圖像分類方法及介質。

背景技術

高光譜圖像中的光譜信息和空間信息可以充分反映地物的物理結構、化學成分，單個像素點富含的信息遠大于高分辨率圖像或者雷達圖像，對于不同的地物類型的敏感度更高，因此更適合用于地物的分類，并已廣泛應用于地物監測，農作物疾病檢測，資源勘測等多個領域。

高光譜分類任務指的是對高光譜圖像的每一個像素點給出其所屬類別，本質是一個分類任務，影響分類準確率的原因主要有兩個方面。首先是受成像傳感器的影響，空間分辨率低導致單個像素包含多種地物，出現混合像元的情況，天氣和大氣氣體的變化也會影響地物的頻譜特性；其次是高光譜圖像的高維性，在樣本有限的情況下，當用于分類的特征超過一定限度時，分類精度反而會下降。

現有技術包括SVM、隨機森林、人工智能(3D卷積)。

其存在的缺點：在早期的高光譜圖像分類中，人們更關注于圖像的頻譜信息，使用支持向量機、隨機森林等傳統方法進行分類，Melgani等提出了基于支持向量機(SVM)的分類方法，但是該方法更適用于解決二分類問題，對于多分類問題和高維度的高光譜數據，矩陣的存儲和計算需要占用大量的機器內存和計算資源，而且分類精度較低。

隨著深度學習的發展，卷積神經網絡在特征提取與特征融合方面顯示出了強大的優勢，3D卷積被驗證適用于高光譜圖像的分類任務。提出了高光譜圖像分類的新思路，基于3D卷積搭建網絡結構，通過遷移學習和數據增強來解決樣本小的問題，這種訓練方式取得了較好的效果，但是以3D卷積搭建的神經網絡信息傳遞的效率低，3D卷積的卷積核帶來了大量的參數。

發明內容

本發明的目的在于至少解決現有技術中存在的技術問題之一，提供了一種基于可分離卷積和密集連接的高光譜圖像分類方法及介質，實現了小樣本的情況下，提高了高光譜圖像的分類精度和效率。

本發明的技術方案包括一種基于可分離卷積和密集連接的高光譜圖像分類方法，其特征在于，該方法包括：S100，搭建高光譜分類網絡，以11*11*波段數的高光譜數據作為輸入數據，基于DenseNet算法以及分離卷積構建卷積神經網絡；S200，對輸入數據使用密集連接方式進行特征提取，搭建三層卷積層，每層使用1×1×7的卷積核進行頻譜信息提取，并保持空間信息的獨立性，以及，將第一層網絡輸出與第二層網絡的輸出數據進行頻譜維度拼接，輸入至第三層網絡；將第一層網絡、第二層網絡與第三層網絡的輸出數據同樣進行維度拼接輸入到下一層；S300，使用1×1×7的卷積核，對頻譜維度進行壓縮；S400，以3×3的感受野對空間信息進行第一次融合，同時整合數據的頻譜信息，使用可分離卷積，將3×3×K的卷積核分解為3×3×1的卷積和3×3×K的卷積，K的值為輸入特征圖的頻譜維度，輸出對應數量的9×9×1的特征圖；S500，使用無參的全局平均池化，將9×9×1的特征圖投票得出1×1×1的輸出值，輸出值拼接輸入全連接層，并通過softmax輸出分類。

根據所述的基于可分離卷積和密集連接的高光譜圖像分類方法，其中S100還包括：使用開源數據集對光譜數據進行預處理，包括將高光譜數據通過歸一化處理至[0，1]之間，以11*11*波段數的高光譜數據作為單條數據進行輸入。