一种注意力残差单元神经网络高光谱图像分类方法及系统技术方案

本发明专利技术公开了一种注意力残差单元神经网络高光谱图像分类方法及系统。方法包括：获取高光谱图像，对高光谱图像进行预处理，得到处理后的高光谱图像，处理后的高光谱图像包括：训练数据集和测试数据集；构建高光谱分类模型，高光谱分类模型包括：多尺度融合提取层、尺寸变换层、卷积注意力残差单元层、深度可分离卷积与平均池化残差层、全连接层和分类器；基于训练数据集，对高光谱分类模型进行训练，得到训练好的高光谱分类模型；将测试数据集输入训练好的高光谱分类模型，得到高光谱图像分类结果。系统包括：预处理模块、模型构建模块、模型训练模块和高光谱分类模块。本发明专利技术能够达到更佳的分类效果。更佳的分类效果。更佳的分类效果。

【技术实现步骤摘要】
一种注意力残差单元神经网络高光谱图像分类方法及系统


[0001]本专利技术属于图像处理
，特别是涉及一种注意力残差单元卷积神经网络高光谱分类方法及系统。

技术介绍

[0002]高光谱图像即同时承载光谱特征和空间特征的连续遥感影像，蕴藏着地物大量的空间和光谱信息。因此，高光谱图像被广泛的应用于农业遥感、环境监测、城市规划和军事探测等领域。因其拥有大量的光谱波段，可以利用其图像特点对空
‑
谱特征进行联合提取，实现高光谱图像的高精度分类。但是，高光谱图像具有丰富信息量的同时，伴随着数据冗余和噪声干扰等问题，甚至在训练样本数不足的情况下容易出现Hughes现象，导致分类精度降低。
[0003]近年来，以卷积神经网络为代表的深度学习算法的提出，为高光谱图像的分类工作提供了新的思路，并取得了显著的研究成果。精度高的卷积神经网络在保证分类精度足够高的前提下，需要大量的训练样本，而忽略了实际工作中更多要面临小样本学习分类的问题。因此，减少光谱数据间的冗余特征、噪声干扰和增强特征提取能力，提高小样本数据分类精度，成为深度学习网络亟需解决的问题。
[0004]目前针对卷积神经网络在处理高光谱图像过程中出现特征冗余、噪声干扰和鉴别性特征提取的问题，现有技术中的高光谱分类方法解决了分类过程中数据冗余的问题，但是未考虑到数据的重要程度，只是降低了数据量，导致分类精度无法满足实际需求。

技术实现思路

[0005]本专利技术的目的是提供一种卷积注意力(Convolutional Block Attention Module，CBAM)残差单元的混合卷积神经网络(CBAM
‑
Res
‑
HybridSN)高光谱分类方法及系统，以解决上述现有技术存在的问题。
[0006]为实现上述目的，本专利技术提供了一种注意力残差单元神经网络高光谱图像分类方法，包括以下步骤：
[0007]获取高光谱图像，对所述高光谱图像进行预处理，得到处理后的高光谱图像，所述处理后的高光谱图像包括：训练数据集和测试数据集；
[0008]构建高光谱分类模型，其中所述高光谱分类模型包括：多尺度融合提取层、尺寸变换层、卷积注意力残差单元层、深度可分离卷积与平均池化残差层、全连接层和分类器；
[0009]基于所述训练数据集，对所述高光谱分类模型进行训练，得到训练好的高光谱分类模型；
[0010]将测试数据集输入训练好的高光谱分类模型，得到高光谱图像分类结果。
[0011]优选地，对所述高光谱图像进行预处理的过程包括：
[0012]对所述高光谱图像进行降维操作，得到高光谱主图，将高光谱主图中的每个像素点和与其相邻的像素构成像素点图像块，对所述像素点图像块进行标记，剔除未标记的像
素点图像块，得到处理后的高光谱图像。
[0013]优选地，对所述高光谱分类模型进行训练的过程包括：
[0014]提取训练数据集的图像特征；
[0015]基于所述图像特征，通过所述多尺度融合提取层进行卷积，得到多尺度融合提取层特征图；
[0016]将多尺度融合提取层特征图输入至卷积注意力残差单元，得到卷积注意力残差单元特征图；
[0017]将卷积注意力残差单元特征图输入至所述深度可分离卷积与平均池化残差层，得到分离特征图，将所述分离特征图输入至全连接层，得到训练好的高光谱分类模型。
[0018]优选地，得到多尺度融合提取层特征图的过程包括：
[0019]将所述图像特征分为若干个三维图像特征，分别用不同尺寸卷积核对所述三维图像特征进行提取，对提取后的三维图像特征进行拼接，得到多尺融合提取层特征图。
[0020]优选地，得到卷积注意力残差单元特征图的过程包括：
[0021]将多尺融合提取层的特征图分别输入通道注意力模块和残差函数，分别得到第一特征图和第二特征图，将所述第一特征图和第二特征图进行联合，得到卷积注意力残差单元特征图；
[0022]其中所述第一特征图为通道注意力模块输出的特征图，所述第二特征图为通过残差函数输出的特征图。
[0023]为实现上述目的，本专利技术还提供了一种注意力残差单元神经网络高光谱图像分类系统，包括：预处理模块、模型构建模块、模型训练模块和高光谱分类模块，所述预处理模块、所述模型构建模块、所述模型训练模块和所述高光谱分类模块依次连接；
[0024]所述预处理模块，用于获取高光谱图像，对所述高光谱图像进行预处理，得到处理后的高光谱图像，所述处理后的高光谱图像包括：训练数据集和测试数据集；
[0025]所述模型构建模块，用于构建高光谱分类模型，其中所述高光谱分类模型包括：多尺度融合提取层、尺寸变换层、卷积注意力注意力残差单元层、深度可分离卷积与平均池化残差层、全连接层和分类器；
[0026]所述模型训练模块，用于基于所述训练数据集，对所述高光谱分类模型进行训练，得到训练好的高光谱分类模型；
[0027]所述高光谱分类模块，用于将测试数据集输入训练好的高光谱分类模型，得到高光谱图像分类结果。
[0028]优选地，所述预处理模块中包括：
[0029]对所述高光谱图像进行降维操作，得到高光谱主图，将高光谱主图中的每个像素点和与其相邻的像素构成像素点图像块，对所述像素点图像块进行标记，剔除未标记的像素点图像块，得到处理后的高光谱图像。
[0030]优选地，所述模型训练模块中包括：多尺度融合提取单元、卷积注意力残差单元和训练完成单元；
[0031]所述多尺度融合提取单元，用于提取训练数据集的图像特征；基于所述图像特征，通过所述多尺度融合提取层进行卷积，得到多尺度融合提取层特征图；
[0032]所述卷积注意力残差单元，用于将多尺度融合提取层特征图输入至卷积注意力残
差单元，得到卷积注意力残差单元特征图；
[0033]所述训练完成单元，用于将卷积注意力残差单元特征图输入至所述深度可分离卷积与平均池化残差层，得到分离特征图，将所述分离特征图输入至全连接层，得到训练好的高光谱分类模型。
[0034]优选地，所述多尺度融合提取单元中包括：
[0035]将所述图像特征分为若干个三维图像特征，分别用不同尺寸卷积核对所述三维图像特征进行提取，对提取后的三维图像特征进行拼接，得到多尺融合提取层特征图。
[0036]优选地，所述卷积注意力残差单元中包括：
[0037]将多尺融合提取层的特征图分别输入通道注意力模块和残差函数，分别得到第一特征图和第二特征图，将所述第一特征图和第二特征图进行联合，得到卷积注意力残差单元特征图；
[0038]其中所述第一特征图为通道注意力模块输出的特征图，所述第二特征图为通过残差函数输出的特征图。
[0039]本专利技术的技术效果为：
[0040]本专利技术提供了一种注意力残差单元神经网络高光谱图像分类方法及系统，在残差结构的思想上引入卷积注意力，增强地物鉴别性特征的提取能力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种注意力残差单元神经网络高光谱图像分类方法，其特征在于，包括以下步骤：获取高光谱图像，对高光谱图像进行预处理，得到处理后的高光谱图像，所述处理后的高光谱图像包括：训练数据集和测试数据集；构建高光谱分类模型，其中所述高光谱分类模型为卷积注意力残差单元的混合卷积神经网络，所述高光谱分类模型包括：多尺度融合提取层、尺寸变换层、卷积注意力残差单元层、深度可分离卷积与平均池化残差层、全连接层和分类器；基于所述训练数据集，对所述高光谱分类模型进行训练，得到训练好的高光谱分类模型；将测试数据集输入训练好的高光谱分类模型，得到高光谱图像分类结果。2.根据权利要求1所述的一种注意力残差单元神经网络高光谱图像分类方法，其特征在于，对所述高光谱图像进行预处理的过程包括：对所述高光谱图像进行降维操作，得到高光谱主图，将高光谱主图中的每个像素点和与其相邻的像素构成像素点图像块，对所述像素点图像块进行标记，剔除未标记的像素点图像块，得到处理后的高光谱图像。3.根据权利要求1所述的一种注意力残差单元卷积神经网络的高光谱图像分类方法，其特征在于，对所述高光谱分类模型进行训练的过程包括：提取训练数据集的图像特征；基于所述图像特征，通过所述多尺度融合提取层进行卷积，得到多尺度融合提取层特征图；将多尺度融合提取层特征图输入至卷积注意力残差单元，得到卷积注意力残差单元特征图；将卷积注意力残差单元特征图输入至所述深度可分离卷积与平均池化残差层，得到分离特征图，将所述分离特征图输入至全连接层，得到训练好的高光谱分类模型。4.根据权利要求3所述的一种注意力残差单元神经网络高光谱图像分类方法，其特征在于，得到多尺度融合提取层特征图的过程包括：将所述图像特征分为若干个三维图像特征，分别用不同尺寸卷积核对所述三维图像特征进行提取，对提取后的三维图像特征进行拼接，得到多尺融合提取层特征图。5.根据权利要求3所述的一种注意力残差单元神经网络的高光谱图像分类方法，其特征在于，得到卷积注意力残差单元特征图的过程包括：将多尺融合提取层的特征图分别输入通道注意力模块和残差函数，分别得到第一特征图和第二特征图，将所述第一特征图和第二特征图进行联合，得到卷积注意力残差单元特征图；其中所述第一特征图为通道注意力模块输出的特征图，所述第二特征图为通过残差函数输出的特征图。6.一种注意力残差单元神经网络高光谱图像分类系统，其特征在于，包括：预处理模块、模型构建模块、模型训练模块和高光谱分类模块，所述预处...

【专利技术属性】
技术研发人员：张合兵，杨志文，吕晓煊，王新闯，王世东，陈志超，杨应府，都伟冰，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：