[發明專利]一種基于多感受野圖注意力網絡的高光譜圖像分類方法

在審

• 申請號: 202111153710.4
• 申請日: 2021-09-29
• 公開（公告）號: CN114155443A
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 丁遙;張志利;趙曉楓;蔡偉;陽能軍
• 申請（專利權）人: 中國人民解放軍火箭軍工程大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/44;G06V10/762;G06V10/77;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 燕肇琪

1.一種基于多感受野圖注意力網絡的高光譜圖像分類方法，具有超像素立方體構造多感受野圖和卷積神經網絡，其特征在于：通過使用無監督主成分分析(PCA)方法和簡單線性迭代聚類(SLIC)，將原始高光譜圖像(HSI)準確地劃分為自適應局部區域；采用雙層1D卷積神經網絡(CNN)提取像素的光譜特征減少需要計算的節點數，抑制原始HSI的噪聲；構造基于超像素立方體的多感受野圖；利用多特征注意力模塊提取局部節點特征和邊特征并采用圖形注意網絡學習兩個特征的重要系數；利用特征融合注意力模塊融合各感受野節點-邊特征，給出了分類節點的特征,最后，利用交叉熵損失對圖像特征進行解釋，得到每個像素的標簽，具體包括如下步驟：

步驟1：構建光譜空間轉換模塊

步驟2：構建頻域轉換模塊：

步驟3：構建多特征注意力模塊

步驟4：構建多感受野模塊

步驟5：特征融合注意力和決策模塊

步驟6：損失函數和模型訓練。

2.根據權利要求1所述的一種基于多感受野圖注意力網絡的高光譜圖像分類，其特征在于：步驟1中所述的“構建光譜空間轉換模塊”具體為：

給定HSI立方體I_B＝{x₁,x₂,…,x_m}，包含個像素，B個波段，其中H分別表示高光譜圖像空間寬度和高度；為提高計算效率，利用主成分分析方法(PCA)進行降維，并選擇第一主分量生成降維圖像具有m個像素和b個波段，其中bB、r表示降維；然后采用SLIC將像素劃分為超像素，局部超像素HSI可以用數學表達式表示為：

其中表示包含n_i個像素的超像素，K是超像素的總數；超級像素中的像素具有很強的光譜空間相關性；在本發明方法中，將超像素作為圖的節點；通過控制超像素數K，可以控制圖的規模，降低算法的計算復雜度。

3.根據權利要求1所述的一種基于多感受野圖注意力網絡的高光譜圖像分類，其特征在于：步驟2中所述的“構建頻域轉換模塊”具體為：

步驟2.1：為了為所提出的方法提取鑒別性和魯棒性的光譜特征，提供一種光譜變換器，采用兩層1×1CNN核來提取每個頻帶中單個像素的光譜值，并且在所提出的方法中，空間位置p₀處像素的光譜特征向量可以寫成：

其中，p₀＝(x，y)是像素在HSI中的空間位置，X_i(p₀)表示像素在第i光譜中的空間位置p₀處的光譜值；

步驟2.2：在第b頻譜段l卷積層的輸出特性為

其中和分別是可訓練權重(1×1卷積核)和偏差，σ(·)為激活功能，即ReLU；

步驟2.3：為了顯示像素和超級像素之間的對應關系，構建了關聯矩陣

具體而言，M可以計算為

其中x_i是I_B的第i個像素，″展平”(HSI)表示高光譜圖像在空間維度中的展平操作，如等式(4)所述，可以實現空間像素和超級像素之間的映射；

步驟2.4：最后，將每個超像素的平均光譜特征作為一個節點特征向量，圖形節點特征可以數學表示為

其中H_i是第i個節點特征向量，N_i表示超級像素中包含的像素數量，是如等式(5)所示的像素的光譜特征向量。