一种高光谱图像分类方法技术

本发明专利技术公开一种高光谱图像分类方法

【技术实现步骤摘要】
一种高光谱图像分类方法、系统、电子设备及介质


[0001]本专利技术涉及高光谱图像处理领域，特别是涉及一种高光谱图像分类方法
、
系统
、
电子设备及介质
。

技术介绍

[0002]目前存在的高光谱图像像素级分类方法主要有两类：一类是基于人工特征的；另一类是基于深度学习特征的
。
文献“Ramachandran P,ParmarN,VaswaniA,et al.Stand
‑
alone self
‑
attention invision models[J].Advances in neural information processing systems,2019,32.”公开了一种应用于视觉领域的基于自注意力机制模型架构，利用这个独立的注意力层建立了一个完全的注意力视觉模型，该模型在图像分类和物体检测方面都优于卷积基线，同时参数和计算效率都很高
。
该文献提出了独立的局部自我注意力模块的设计，提高了分类性能
。
然而，上述方法主要依赖于独立查询键对的相互作用来计算注意力矩阵，因此，忽略了相邻键的丰富的上下文信息
。

技术实现思路

[0003]为了克服传统的基于
Transformer
结构中忽略了相邻键的丰富的上下文信息的问题，本专利技术提供了一种高光谱图像分类方法
、
系统
、
电子设备及介质，能够提高高光谱图像分类结果的准确性
。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种高光谱图像分类方法，所述分类方法包括：
[0006]对待分类高光谱图像应用因子分析进行降维，并在预设区域内以各像素点为中点从降维后的待分类高光谱图像中提取多个三维像素块；
[0007]将多个所述三维像素块输入分类模型，得到待分类高光谱图像的分类结果；所述分类模型是通过训练集对深度学习网络进行训练得到的；所述深度学习网络包括依次连接的多个特征融合
‑
置换注意力机制模型
、
采样层和全连接层；所述特征融合
‑
置换注意力机制模型包括依次连接的特征融合模型和置换注意力机制；所述特征融合模型包括依次连接的二维卷积
、
多尺度残差上下文
Transformer
网络和拼接模块；所述训练集包括高光谱图像样本的多个三维像素块和所述高光谱图像样本对应的分类结果
。
[0008]可选地，所述在预设区域内以各像素点为中点从降维后的待分类高光谱图像中提取多个三维像素块，具体包括：
[0009]根据所述预设区域内各所述像素点的坐标，按照预设空间滑动窗口尺寸，从降维后的待分类高光谱图像中提取多个三维像素块
。
[0010]可选地，当所述预设区域内一个所述像素点的坐标为
(a
，
β
)
且预设空间滑动窗口尺寸为
S
×
S
时，以坐标为
(a
，
β
)
的像素点为中心的三维像素块的宽度为
[a
‑
(S
‑
1)/2
，
a+(S
‑
1)/2]，高度为
[
β
‑
(S
‑
1)/2
，
β
+(S
‑
1)/2]，以坐标为
(a
，
β
)
的像素点为中心的三维像素块的通道维度与所述降维后的待分类高光谱图像的通道维度一致
。
[0011]可选地，所述深度学习网络包括连接的两个所述特征融合
‑
置换注意力机制模型；
[0012]将多个所述三维像素块输入第一个所述特征融合
‑
置换注意力机制模型中的特征融合模型，输出第一融合后特征图；
[0013]应用置换注意力机制，对所述第一融合后特征图的空间维度的特征信息和通道维度的特征信息进行加权，得到初始校准后的特征图；
[0014]将所述初始校准后的特征图输入第二个所述特征融合
‑
置换注意力机制模型中的特征融合模型，输出第二融合后特征图；
[0015]应用置换注意力机制，对所述第二融合后特征图的空间维度的特征信息和通道维度的特征信息进行加权，得到校准后的特征图
。
[0016]可选地，所述应用置换注意力机制，对所述第二融合后特征图的空间维度的特征信息和通道维度的特征信息进行加权，得到校准后的特征图，具体包括：
[0017]将所述第二融合后特征图沿通道维度进行分组，得到多组子特征图；
[0018]分别将各组所述子特征图沿通道维度平均分为两部分，得到两个分支特征图；所述两个分支特征图包括第一分支特征图和第二分支特征图；
[0019]将所述第一分支特征图沿通道维度对空间维度的特征信息进行压缩，并对压缩后的空间维度特征信息应用门控机制和激活函数，得到校准后的第一分支特征图；
[0020]对所述第二分支特征图，应用组归一化，得到归一化后的空间维度特征信息；
[0021]对所述归一化后的空间维度特征信息应用门控机制和激活函数，得到注意力权重图；
[0022]将所述第二分支特征图与所述注意力权重图对应相乘，得到校准后的第二分支特征图；
[0023]将所述校准后的第一分支特征图和所述校准后的第二分支特征图在通道维度上进行连接，得到校准后的子特征图；
[0024]将各组所述校准后的子特征图进行聚合，得到聚合后的特征图；
[0025]对所述聚合后的特征图应用通道置换操作，得到校准后的特征图
。
[0026]可选地，所述多尺度残差上下文
Transformer
网络包括多个不同尺度的平行分支；所述平行分支包括依次连接的第一二维卷积
、CoT
块和第二二维卷积；所述第一二维卷积与所述第二二维卷积的卷积核尺寸一致
。
[0027]一种高光谱图像分类系统，应用上述的高光谱图像分类方法，所述分类系统包括：
[0028]提取模块，用于对待分类高光谱图像应用因子分析进行降维，并在预设区域内以各像素点为中点从降维后的待分类高光谱图像中提取多个三维像素块；
[0029]分类模块，用于将多个所述三维像素块输入分类模型，得到待分类高光谱图像的分类结果；所述分类模型是通过训练集对深度学习网络进行训练得到的；所述深度学习网络包括依次连接的多个特征融合
‑
置换注意力机制模型
、
采样层和全连接层；所述特征融合
‑
置换注意力机制模型包括依次连接的特征融合模型和置换注意力机制；所述特征融合模型包括依次连接的二维卷积...

【技术保护点】

【技术特征摘要】
1.
一种高光谱图像分类方法，其特征在于，所述分类方法包括：对待分类高光谱图像应用因子分析进行降维，并在预设区域内以各像素点为中点从降维后的待分类高光谱图像中提取多个三维像素块；将多个所述三维像素块输入分类模型，得到待分类高光谱图像的分类结果；所述分类模型是通过训练集对深度学习网络进行训练得到的；所述深度学习网络包括依次连接的多个特征融合
‑
置换注意力机制模型
、
采样层和全连接层；所述特征融合
‑
置换注意力机制模型包括依次连接的特征融合模型和置换注意力机制；所述特征融合模型包括依次连接的二维卷积
、
多尺度残差上下文
Transformer
网络和拼接模块；所述训练集包括高光谱图像样本的多个三维像素块和所述高光谱图像样本对应的分类结果
。2.
根据权利要求1所述的高光谱图像分类方法，其特征在于，所述在预设区域内以各像素点为中点从降维后的待分类高光谱图像中提取多个三维像素块，具体包括：根据所述预设区域内各所述像素点的坐标，按照预设空间滑动窗口尺寸，从降维后的待分类高光谱图像中提取多个三维像素块
。3.
根据权利要求2所述的高光谱图像分类方法，其特征在于，当所述预设区域内一个所述像素点的坐标为
(a
，
β
)
且预设空间滑动窗口尺寸为
S
×
S
时，以坐标为
(a
，
β
)
的像素点为中心的三维像素块的宽度为
[a
‑
(S
‑
1)/2
，
a+(S
‑
1)/2]
，高度为
[
β
‑
(S
‑
1)/2
，
β
+(S
‑
1)/2]
，以坐标为
(a
，
β
)
的像素点为中心的三维像素块的通道维度与所述降维后的待分类高光谱图像的通道维度一致
。4.
根据权利要求1所述的高光谱图像分类方法，其特征在于，所述深度学习网络包括连接的两个所述特征融合
‑
置换注意力机制模型；将多个所述三维像素块输入第一个所述特征融合
‑
置换注意力机制模型中的特征融合模型，输出第一融合后特征图；应用置换注意力机制，对所述第一融合后特征图的空间维度的特征信息和通道维度的特征信息进行加权，得到初始校准后的特征图；将所述初始校准后的特征图输入第二个所述特征融合
‑
置换注意力机制模型中的特征融合模型，输出第二融合后特征图；应用置换注意力机制，...

【专利技术属性】
技术研发人员：丁晨，岳嘉豪，杨宇堃，陈有法，赵俊豪，李乾芃，徐耀阳，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：