一种基于全局关系感知注意力的高光谱图像波段选择方法技术

本发明专利技术涉及一种基于全局关系感知注意力的高光谱图像波段选择方法，包括步骤：对原始高光谱图像数据进行分块处理；生成空间部分注意力；生成波段部分注意力；将空间部分注意力和波段部分注意力汇总融合，生成全局关系感知注意力；高光谱图像重建；损失函数优化完成之后，通过计算各个波段信息熵、光谱角和相关系数的比值，选择值最大的前k个波段作为波段选择的结果。本发明专利技术的有益效果是：本发明专利技术通过联合提取高光谱数据的空谱信息，学习局部自身和全局关系注意力，并利用学习到的注意力对高光谱图像进行加权后送入重建网络优化参数，进而通过指标选择波段。通过指标选择波段。通过指标选择波段。

【技术实现步骤摘要】
一种基于全局关系感知注意力的高光谱图像波段选择方法


[0001]本专利技术属于遥感图像处理领域，尤其涉及一种基于全局关系感知注意力的高光谱图像波段选择方法；

技术介绍

[0002]高光谱遥感利用拥有数百个连续窄波段的传感器收集地物详细的光谱响应。由于高光谱图像光谱的波段范围广且光谱分辨率非常高，其被广泛应用于农作物精细分类、地质探查、水质评价、环境监测等多个方面。然而，因为高光谱图像的高维特点以及波段之间的强相关性，使其具有大量的冗余数据，增大了其处理难度。此外，高光谱图像的高维特点还会带来“维数灾难”。所谓的“维数灾难”就是指：当训练样本数量确定时，随着参与处理的波段不断增加，分类精度出现先升后降的现象。增加训练样本数量可以缓解“维数灾难”。但在遥感应用中，收集制作大量的训练样本需要的人力物力是非常惊人的。因此，有必要在高光谱图像应用之前对其进行降维。
[0003]对高光谱图像进行波段选择可以有效降低高光谱图像的维度。波段选择是在原始高光谱图像的波段集合中选择具有高信息量、低相关性、低冗余的波段。波段选择的方法可分为监督、半监督、无监督。由于标签数据非常难获取，不需要标签数据的无监督方法成为了研究的热点。无监督的波段选择方法则又可以分为基于排序、基于聚类、基于搜索、基于稀疏四种类型。
[0004]但是这四种方法忽视了高光谱图像的空间信息，且未能考虑高光谱图像空间、光谱的全局信息。鉴于此，申请号为CN201911232855.6的《一种基于深度学习的高光谱图像波段选择方法》的专利申请，公开了一种基于深度学习的高光谱图像波段选择方法，该方法提供的波段选择网络框架通过波段注意力模块得到波段注意力，并由自编码器完成光谱重建。虽然该方法同时利用了高光谱图像的空间、波段信息，但是由于卷积核大小的限制，不能很好的以非线性的视角利用空间、波段的全局信息。且该方法的参数数量庞大，计算难度高。

技术实现思路

[0005]本专利技术的目的是克服现有技术中的不足，提供一种基于全局关系感知注意力的高光谱图像波段选择方法。
[0006]这种基于全局关系感知注意力的高光谱图像波段选择方法，包括以下步骤：
[0007]步骤1、对原始高光谱图像数据进行分块处理：在原始高光谱图像中，将每个像素作为中心划分出h
×
w个子立方体X的大小为s
×
s
×
b，w、h、b分别为原始高光谱图像的宽、高和波段数；s
×
s
×
b中的s表示划分出的子立方体X的宽和高均为s,；
[0008]步骤2、生成空间部分注意力；从空间角度来看，每个子立方体X具有s
×
s个b维的空间特征空间特征表示将原始高光谱图像的每个像素视为一个光谱矢量x
i
；
[0009]步骤3、生成波段部分注意力；从波段角度来看，每个子立方体X具有b个s
×
s维的
特征
[0010]步骤4、将步骤2中的空间部分注意力和步骤3中的波段部分注意力汇总融合，生成全局关系感知注意力
[0011][0012]上式中，为元素相加操作，A
S
为空间部分注意力，A
b
为波段部分的注意力；
[0013]步骤5、高光谱图像加权：利用步骤4中得到的全局关系感知注意力与子立方体X进行加权操作，得到加权后的子立方体
[0014][0015]上式中，为哈达曼乘积操作，X指是原始高光谱影像划分出的子立方体，指利用全局关系感知注意力加权后的子立方体；
[0016]步骤6、高光谱图像重建；
[0017]步骤7、损失函数优化完成之后，通过计算各个波段信息熵、光谱角和相关系数的比值，选择值最大的前k个波段作为波段选择的结果。
[0018]作为优选，步骤2具体包括以下步骤：
[0019]步骤2.1、通过函数F
s
(
·
)映射第m个空间特征与第n个空间特征之间的双向亲和关系：
[0020][0021][0022]上式中，x
m
、x
n
分别是X的第m、第n个空间特征；Θ
s
(
·
)、Φ
s
(
·
)为嵌入函数，分别为Θ
s
(
·
)、Φ
s
(
·
)中待训练的参数；
[0023]步骤2.2、利用双向亲和关系构建所有空间特征的空间亲和力矩阵步骤2.2、利用双向亲和关系构建所有空间特征的空间亲和力矩阵指构建的空间亲和力矩阵的维度是形式为s
×
s的二维；得到子立方体X中第m个空间特征的相关性向量：
[0024]RV
m
＝[AM
s
(m,:),AM
s
(:,m)][0025]上式中，AM
s
(m,:)表示亲和力矩阵AM
s
的第m行，AM
s
(:,m)表示亲和力矩阵AM
s
的第m列；得到子立方体X中所有空间特征的相关性向量集合：
[0026][0027]上式中，m表示子立方体X中第m个空间特征，s
×
s表示所有空间特征的空间亲和力矩阵的行数和列数；
[0028]步骤2.3、获取空间特征的局部特征：
[0029][0030]上式中，E
s
(
·
)为嵌入函数，局部特征的结构包含3
×
3的卷积层、最大池化层和均值池化层，为待训练的参数；
[0031]步骤2.4、将步骤2.2和步骤2.3中的相关性向量集合以及局部特征L
s
通过堆栈函数相堆栈，获得堆栈之后的空间关系特征；由于相关性向量与局部特征的维数不同，因此还通过转换函数Ψ
s
(
·
)统一RV
s
和L
s
的维数：
[0032]SF＝CAT[(L
s
),Ψ
s
(RV
s
)][0033]上式中，CAT[
·
]为堆栈函数，Ψ
s
(
·
)为转换函数；
[0034]步骤2.5、将堆栈之后的空间关系特征送入sigmoid层得到空间部分的注意力：
[0035]A
S
＝Sigmoid(sa(SF；θ
sa
))
[0036]上式中，Sigmoid(
·
)为激活函数，用于把输入数据映射到(0,1)的范围内；sa(
·
)用于学习空间部分的注意力权重；θ
sa
为待训练的参数；SF表示堆栈之后的空间关系特征。
[0037]作为优选，步骤3具体包括以下步骤：
[0038]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全局关系感知注意力的高光谱图像波段选择方法，其特征在于，包括以下步骤：步骤1、对原始高光谱图像数据进行分块处理：在原始高光谱图像中，将每个像素作为中心划分出h
×
w个子立方体X的大小为s
×
s
×
b，w、h、b分别为原始高光谱图像的宽、高和波段数；s
×
s
×
b中的s表示划分出的子立方体X的宽和高均为s；步骤2、生成空间部分注意力；从空间角度，每个子立方体X具有s
×
s个b维的空间特征s个b维的空间特征表示将原始高光谱图像的每个像素视为一个光谱矢量x
i
；步骤3、生成波段部分注意力；从波段角度来看，每个子立方体X具有b个s
×
s维的特征步骤4、将步骤2中的空间部分注意力和步骤3中的波段部分注意力汇总融合，生成全局关系感知注意力关系感知注意力上式中，为元素相加操作，A
S
为空间部分注意力，A
b
为波段部分的注意力；步骤5、高光谱图像加权：利用步骤4中得到的全局关系感知注意力与子立方体X进行加权操作，得到加权后的子立方体立方体X进行加权操作，得到加权后的子立方体上式中，为哈达曼乘积操作，X指是原始高光谱影像划分出的子立方体，指利用全局关系感知注意力加权后的子立方体；步骤6、高光谱图像重建；步骤7、损失函数优化完成之后，通过计算各个波段信息熵、光谱角和相关系数的比值，选择值最大的前k个波段作为波段选择的结果。2.根据权利要求1所述基于全局关系感知注意力的高光谱图像波段选择方法，其特征在于，步骤2具体包括以下步骤：步骤2.1、通过函数F
s
(
·
)映射第m个空间特征与第n个空间特征之间的双向亲和关系：)映射第m个空间特征与第n个空间特征之间的双向亲和关系：上式中，x
m
、x
n
分别是X的第m、第n个空间特征；Θ
s
(
·
)、Φ
s
(
·
)为嵌入函数，分别为Θ
s
(
·
)、Φ
s
(
·
)中待训练的参数；步骤2.2、利用双向亲和关系构建所有空间特征的空间亲和力矩阵步骤2.2、利用双向亲和关系构建所有空间特征的空间亲和力矩阵指构建的空间亲和力矩阵的维度是形式为s
×
s的二维；得到子立方体X中第m个空间特征的相关性向量：RV
m
＝[AM
s
(m,:),AM
s
(:,m)]上式中，AM
s
(m,:)表示亲和力矩阵AM
s
的第m行，AM
s
(:,m)表示亲和力矩阵AM
s
的第m列；得到子立方体X中所有空间特征的相关性向量集合：
上式中，m表示子立方体X中第m个空间特征，s
×
s表示所有空间特征的空间亲和力矩阵的行数和列数；步骤2.3、获取空间特征的局部特征：上式中，E
s
(
·
)为嵌入函数，局部特征的结构包含3
×
3的卷积层、最大池化层和均值池化层，为待训练的参数；步骤2.4、将步骤2.2和步骤2.3中的相关性向量集合以及局部特征L
s
通过堆栈函数相堆栈，获得堆栈之后的空间关系特征；还通过转换函数Ψ
s
(
·
)统一RV
s
和L
s
的维数：SF＝CAT[(L
s
),Ψ
s
(RV
s
)]上式中，CAT[
·
]为堆栈函数，Ψ
s
(
·
)为转换函数；步骤2.5、将堆栈之后的空间关系特征送入sigmoid层得到空间部分的注意力：A
S
＝Sigmoid(sa(SF；θ
sa
))上式中，Sigmoid(
·
)为激活函数，用于把输入数据映射到(0,1)的范围内；sa(
·
)用于学习空间部分的注意力权重；θ
sa
为待训练的参数；SF表示堆栈之后的空间关系特征。3.根据权利要求1所述基于全局关系感知注意力的高光谱图像波段选择方法，其特征在于，步骤3具体包括以下步骤：步骤3.1、通过函数F
b
(
·
)映射波段特征p与波段特征q之间的双向亲和关系：)映射波段特征p与波段特征q之间的双向亲和关系：上式中，x
p
、x
q
分别是子立方体X的第p、第q个波段特征；Θ
b
(
·
)、Φ
b
(
·
)为嵌入函数，)为嵌入函数，分别为Θ
b
(
·
)、Φ
b
(
·
)中待训练的参数；步骤3.2、利用双向亲和关系构建所有波段特征的亲和力...

【专利技术属性】
技术研发人员：孙伟伟，何珂，杨刚，孟祥超，
申请(专利权)人：宁波大学，
类型：发明
国别省市：