[發明專利]一種高光譜特征提取方法、裝置及存儲介質

在審

• 申請號: 202210277342.2
• 申請日: 2022-03-17
• 公開（公告）號: CN114742985A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 于文博;黃鶴;沈綱祥
• 申請（專利權）人: 蘇州大學
• 主分類號: G06V10/143
• 分類號: G06V10/143;G06V10/58;G06V10/82;G06V10/80;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 李柏柏

本發明涉及一種高光譜特征提取方法、裝置及計算機存儲介質，本發明提出的基于多模態注意力編碼的高光譜特征提取方法，通過構建空間維序貫特征提取模塊實現對像元空間數據中兩種序貫信息的有效提取，通過雙向長短期記憶層移除序貫特征提取過程序貫方向對性能的影響，通過針對不同序貫信息來構建不同注意力權重矩陣，實現對序貫信息中重要部分的強化，實現信息的高性能融合，最終有效提升提取到的特征的表達能力。

技術領域

本發明涉及遙感技術領域，尤其是指一種高光譜特征提取方法、裝置及計算機存儲介質。

背景技術

在遙感領域，高光譜成像技術在多種研究中被廣泛使用。高光譜圖像包含了極其豐富的空間信息和光譜信息，其中空間信息指在各個光譜波長下單一像元的具體空間位置信息，光譜信息指單一像元在各個光譜波長下光譜反射率組成的連續光譜曲線。通過對高光譜圖像進行特征提取研究，可以得到蘊含重要判別信息的嵌入特征，減少圖像的冗余信息，并可以進一步提升后續分類研究中的識別精度。早期，高光譜圖像特征提取方法主要提取像元的光譜特征，并沒有考慮不同像元位置信息之間的差異，因此這些方法難以取得較好的分類結果。近年來，隨著計算機的算力急劇提升，并伴隨著深度學習研究的不斷深入，大量針對本研究領域的神經網絡方法相繼被提出，這些方法中引入了多傳感器數據融合的理論思想，對空間信息和光譜信息構建映射來進行提取，并最后實現特征融合，這類方法避免了重要高光譜信息的大量缺失，從而進一步提升了相關算法的分類性能。

高光譜特征提取方法從數據多樣性的角度一般可分為基于光譜信息的特征提取方法和基于空-譜信息的特征提取方法。

基于光譜信息的高光譜特征提取方法主要利用高光譜圖像中單一的光譜曲線來對特征提取模型進行構建，同時不考慮像元在空間層面的空間位置，屬于單模態學習。早期較為常用的方法一般包括主成分分析(Principle Component Analysis，PCA)，最小化噪聲分離(Minimum Noise Fraction， MNF)，線性判別分析(Linear Discriminant Analysis，LDA)等等。同時為了應對非線性數據，一些基于流形學習的方法也被提出，例如局部線性嵌入(Local Linear Embedding，LLE)，拉普拉斯特征映射(Laplacian Eigenmaps，LE)，多維尺度分析(Multidimensional Scaling，MDS)等等。此類方法一般只考慮高光譜像元內部的重要判別信息，以此來保障像元的分類能力。近年來，隨著深度學習研究的不斷深入，一些深度網絡模型也被廣泛應用到高光譜圖像特征提取相關的研究中，例如自動編碼器(Auto-encoder，AE)、變分自動編碼器(Variational Auto-encoder，VAE)、長短期記憶網絡(Long Short Term Memory，LSTM)等等。然而，此類方法沒有考慮高光譜像元的空間位置關系，因此也僅從光譜層面對高光譜圖像中的判別信息進行詳細的描述，缺乏重要空間信息，無法充分發揮高光譜圖像的“圖譜合一”的優勢，即圖像中空間信息和光譜信息之間存在協同性。目前來說，本研究領域的主流高光譜特征提取方法是基于空-譜信息的特征提取方法。