[發明專利]一種基于空譜聯合注意力機制的醫學高光譜圖像分類方法

有效

• 申請號: 202310876343.3
• 申請日: 2023-07-18
• 公開（公告）號: CN116612334B
• 公開（公告）日: 2023-10-10
• 發明（設計）人: 單彩峰;陳凱;陳宇;趙猛
• 申請（專利權）人: 山東科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/0455;G06N3/08;G06V10/80
• 代理公司: 青島智地領創專利代理有限公司 37252
• 代理人: 王鳴鶴

1.一種基于空譜聯合注意力機制的醫學高光譜圖像分類方法，其特征在于，包括以下步驟：

S1、將全部N張高光譜圖像數據構成數據集D，將數據集D劃分為訓練集和測試集；

S2、利用空譜聯合注意力模塊為高光譜圖像的每個波段賦予重要性權重；

S3、構建可保留空間分辨率的高光譜圖像重構網絡，學習高光譜圖像的低維特征；

S4、將低維特征輸入到金字塔池化雙注意力輕量化殘差分類網絡，計算得到最終的分類結果。

2.根據權利要求1所述的一種基于空譜聯合注意力機制的醫學高光譜圖像分類方法，其特征在于，所述S2包括以下子步驟：

S21、取單幅原始高光譜圖像，定義為，其中W、H、C分別代表原始圖像的長、寬、波段數量；

S22、將該原始圖像輸入到空譜聯合注意力模塊計算各波段的權重，該原始圖像在空譜聯合注意力模塊中，首先使用步長為2的局部平均池化操作和局部最大池化操作，將原始圖像X處理為中間特征圖和，兩個特征圖的維度均為(H/2)×(W/2)×C；將和對應通道相加，得到一次融合特征圖M1，并使用一個1×1大小的卷積核進行對M1二維卷積操作，得到二次融合特組圖M2，其維度為(H/2)×(W/2)?×C，其表達式為：

；（1）

其中，Conv2D表示2維卷積操作，代表通道相加；

S23、對M2進行光譜注意力操作，先使用全局平均池化將M2變為1×1×C特征向量V，然后使用長度為3的卷積核對向量w進行一維卷積操作，得到重要性權重w1，其表達式為：

；（2）

其中，表示一維卷積層，GAP表示全局平均值池化；

S24、對w1使用sigmod函數進行處理，得到數值大于等于零的最終權重向量w2，其維度為1×1×C，其表達式為：

；（3）

S25、使用通道級乘法操作，將原始圖像的C個波段分別與最終權重向量w2的C個元素相乘，得到加權后的高光譜圖像X’。

3.根據權利要求1所述的一種基于空譜聯合注意力機制的醫學高光譜圖像分類方法，其特征在于，在S3中，所述高光譜圖像重構網絡包括編碼器和解碼器兩大部分，其中編碼器包括四個卷積層，分別為2D-Conv，2D-Conv1，2D-Conv2，2D-Conv3，其對應的卷積核大小分別為1×1，3×3，3×3，3×3；解碼器包括3個反卷積層，分別為D-Deconv1，2D-Deconv2，2D-Deconv3，其對應的卷積核大小分別為3×3，3×3，3×3。

4.根據權利要求3所述的一種基于空譜聯合注意力機制的醫學高光譜圖像分類方法，其特征在于，利用高光譜圖像重構網絡進行低維特征學習的過程包括以下子步驟：

S31、將加權后的圖像X’分割為11×11×C的小塊圖像Z，小塊圖像的數量為S，將單個圖像輸入編碼器，經過四個卷積層依次生成四組特征圖：，，，，S張小塊圖像共得到S組特征圖；

S32、特征圖經過反卷積層2D-Decon1得到第一組重構圖，與進行通道級相加，再經過反卷積層2D-Decon2得到第二組重構圖，與進行通道級相加，再經過反卷積層2D-Decon3得到第三組重構圖，與進行通道級相加，得到最終的重構圖；

S33、以式(4)所示的均方誤差作為損失函數，迭代訓練高光譜圖像重構網絡，完成低維特征學習，表達式為：

（4）；

其中，代表第個小塊圖像，代表第個最終的重構圖。