基于M-HybridSN-Attention的高光谱图像分类方法技术

本发明专利技术公开一种基于M

【技术实现步骤摘要】
基于M
‑
HybridSN
‑
Attention的高光谱图像分类方法


[0001]本专利技术涉及高光谱图像分类领域，主要涉及一种基于M
‑
HybridSN
‑
Attention的高光谱图像分类方法。

技术介绍

[0002]遥感技术是从远距离感知到目标反射或自身辐射的电磁波、可见光、红外线，对目标进行探测和识别的技术。高光谱遥感是20世纪80年代兴起的新型对地观测技术。它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据的技术。高光谱成像光谱仪为每个象元提供数十至数百个窄波段光谱信息，能产生一条关于光谱波段和光谱值之间的光谱曲线，因此高光谱图像不仅仅包含了二维空间信息，同时还包含了大量的光谱信息。而不同物质在不同波段光谱信号下的表现不同，根据光谱曲线的差异，我们可以对高光谱图像中不同物质进行分类。
[0003]随着深度学习的不断发展，基于深度学习的高光谱图像分类方法被提出。此类方法具有自动学习图像深层次特征的优势，可有效提取高光谱图像中更具代表性的特征，使得高光谱图像分类得到了突破性进展。为了更好利用高光谱图像的空间特征信息，基于卷积神经网络(CNN，Convolutional Neural Networks) 的高光谱图像分类算法被广泛应用。其中，当应用二维卷积神经网络(2DCNN)进行高光谱图像分类时，由于2DCNN是浅层网络，所以在训练前需要对原始高光谱图像进行降维处理，而这就会导致细节信息的丢失，造成分类效果不佳。所以基于三维卷积神经网络(3DCNN)的高光谱图像分类算法被提出，3DCNN 是构建联合光谱
‑
空间信息的分类网络，可有效利用图像的空间信息，同时还可以得到深层次的光谱信息。但3DCNN具有网络训练参数多，计算速度慢等缺点，而HybridSN是结合了2DCNN与3DCNN的高光谱图像分类网络，克服了2DCNN无法从光谱维度上获取图像深层特征以及由于3DCNN网络较深带来的计算冗余的问题。
[0004]但以上网络模型均在高光谱原始数据集上进行训练，而高光谱图像的维数较高且标记训练样本较少，所以在高光谱图像分类中容易产生维数灾难和休斯现象，并且随着网络层数的增多，权值学习迭代次数的增加，在训练时容易出现过拟合现象。另外，利用3DCNN进行高光谱图像分类时，3DCNN在特征提取阶段既会考虑对地物分类有利的判别性信息，也会考虑对地物分类造成干扰的非判别性信息，这导致特征提取不充分，最终导致分类效果不理想。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对高光谱数据标记训练样本较少带来的训练过拟合现象，以及 3DCNN征提取能力不足，计算冗余等问题，提供一种基于M
‑
HybridSN
‑
Attention的高光谱图像分类方法。
[0006]本专利技术解决其技术问题所采用的技术方案，主要包括以下步骤：
[0007]在本专利技术中，首先将高光谱原始数据经过Mixup算法处理后构造虚拟样本，并将虚
拟样本与原始数据进行混合共同形成新数据集，此时新数据集样本数量为原始数据集的2倍。将新数据集送入网络进行训练，随着样本数量的增加，有效缓解由于高光谱数据的小样本特性带来的网络训练过拟合现象。
[0008]其次，本文对HybridSN网络结构进行改进，在其3DCNN网络内部每个三维卷积层与Relu层之间加入一个卷积块注意力模块(CBAM，Convolutional Block Attention Module)，共使用3个。当特征图经过CBAM之后，特征图中光谱与空间维度上的像素值都被赋予了权重。通过网络在训练过程中不断学习，对于分类有利的光谱与空间维度的判别性特征，对应的权重接近于1；对于分类有负面影响的光谱与空间维度的非判别性特征，对应的权重接近于0，以此达到加强判别性特征且抑制非判别性特征的作用，提高网络的特征提取能力，并在一定程度上降低计算冗余，最终能够提升网络的分类精度与计算速度。
[0009]本专利技术的有益效果是，通过应用Mixup算法增加高光谱数据样本数量，有效缓解训练过程中出现的过拟合现象；通过在HybridSN网络内部的3DCNN部分中的三维卷积层与Relu层之间加入CBAM，即在光谱与空间维度加入注意力机制，经过训练，能够对特征图不同空间与光谱位置进行权重的赋值，进而区分判别性特征与非判别性特征，能够提升整体的特征提取能力，再应用2DCNN网络，用以区分不同光谱波段内的空间信息，且不会大量丢失光谱信息，保证高光谱数据信息的完整性，最终提升高光谱图像分类精度。
附图说明
[0010]附图1为本专利技术公开的一种基于M
‑
HybridSN
‑
Attention网络进行高光谱图像分类的方法流程图。
[0011]附图2为整体实施流程图。
[0012]附图3为本专利技术提出的嵌入注意力机制的3DCNN网络结构图。
[0013]附图4为本专利技术提出的总体网络架构图。
具体实施方式
[0014]本专利技术不受下列实施例的限制，可根据本专利技术的技术方案与实际情况来具体的确定实施方式。
[0015]结合附图1，其为本专利技术公开的一种基于M
‑
HybridSN
‑
Attention网络进行高光谱图像分类的方法流程图，具体包括以下步骤：
[0016]A1、构建基于Mixup的样本数量增加网络，应用Mixup算法对高光谱原始数据进行扩充样本操作，得到扩容后的新数据集，再将新数据集送入后续网络进行训练，其中：
[0017]构建基于Mixup的样本数量增加网络的具体步骤包括：
[0018]B1、获取高光谱原始数据集：
[0019]本专利技术中，对于输入的数据，直接使用高光谱原始数据集，不经过任何降维处理，这能够保护数据结构，得到完整的图像信息。
[0020]B2、对原始数据集进行处理得到随机数据集：
[0021]本步骤中，将高光谱原始数据集按空间位置索引随机打乱后，形成随机数据集。
[0022]B3、对原始数据集与随机数据集进行Mixup操作得到虚拟数据集：
[0023]在本步骤中，Mixup方法是一种通用的邻域分布。为解决高光谱的小样本问题，本
文将Mixup方法引入到高光谱图像分类方法中，其具体的公式如下所示：其具体的公式如下所示：
[0024]其中，(x
i
,y
i
)，(x
j
,y
j
)是从训练数据中随机抽取的两个样本，λ是Mixup方法的权值，λ服从Beta 分布，其取值范围为λ∈[0,1]。Mixup为两个类之间产生平滑的过度，在高光谱图像分类中很好的解决了高光谱图像小样本问题的基础上也可以解决同一类别的物质在不同的位置上受到不同辐射的影响的问题。
[0025]接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于M
‑
HybridSN
‑
Attention的高光谱图像分类方法，实施方式如下：首先将高光谱原始数据按空间位置随机打乱，得到随机数据集，再将原始数据集中的空间邻域像素样本与随机数据集中的空间邻域像素样本按对应空间位置进行基于Mixup算法的线性加权操作，得到虚拟数据集，再将虚拟数据集与原始数据集进行混合，得到扩充样本容量的新数据集，此时新数据集的样本容量为原始数据集样本容量的2倍。接下来将新数据集送入后续网络进行训练。后续网络由嵌入注意力机制的HybridSN网络组成，即在HybridSN网络的基础上，在其3DCNN中的每一个Conv3D层与Relu层之间都加入一个CBAM，一共加入3个CBAM，形成HybridSN与注意力机制相结合的HybridSN
‑
Attention网络，并使用SoftMax分类器进行地物分类，结合前面的Mixup算法，形成基于M
‑
HybridSN
‑
Attention的高光谱图像分类方法。2.根据权...

【专利技术属性】
技术研发人员：孙崐，王澳，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：