【技术实现步骤摘要】
本专利技术涉及遥感解译，尤其是涉及一种面向大场景高光谱遥感影像的图到图像素级分类方法。
技术介绍
1、随着航空高光谱成像光谱仪的成熟发展，通过各类航空平台能够采集大场景下高空间分辨率和高光谱分辨率的遥感影像，数据量呈现出爆炸式增长的趋势。高光谱影像以其“图谱合一”的优势，可用于精确表示不同地物和地表覆盖类型的光谱属性，已被广泛应用于地物分类任务中，尤其是植被种类精细分类任务，为环境监测、精细农业、资源管理等领域提供了重要数据。不同于计算机视觉中的图片分类，高光谱遥感影像分类是指给高光谱影像中的每个像元赋予唯一的类别识别标识。根据分类模型中数据输入的形式不同，可划分为基于空间块(patch level/patch-based)和基于影像(image level/patch-free)两大类方法。基于空间块输入的方法是指通过设置固定大小的滑动窗口，在原始高光谱影像上逐像元选取其邻域内的三维空间块作为深度学习模型的输入数据，仅输出该中心像元的类别标签。基于图像输入的方法是指采用语义分割的方法实现对输入影像的图到图像素级分类。
2、当前大部分高光谱影像分类方法都采用了基于空间块的方法，该类模型能够较好地对高光谱影像进行逐像元预测，分类精度较高，但需要设置输入空间块的大小，最优尺寸的设置受到空间分辨率和地物形态等因素的多重影响；空间的大小一般在几个到十几个像元之间，感受野始终受限，容易产生错分的孤立区域；此外存在大量的计算冗余，其耗时已难以满足大场景下高分辨率高光谱遥感影像的分类任务对效率的要求。
3、综上，当前缺
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种面向大场景高光谱遥感影像的图到图像素级分类方法，以解决或部分解决特征提取和融合能力受限，无法充分提取不同尺度的高光谱影像特征的问题。
2、本专利技术的目的可以通过以下技术方案来实现：
3、本专利技术的一个方面，提供了一种面向大场景高光谱遥感影像的图到图像素级分类方法，包括如下步骤：
4、步骤s1，获取用于训练的高光谱遥感影像，构建训练数据集；
5、步骤s2，构建基于cnn和transformer的高光谱影像分类模型；
6、步骤s3，利用所述训练数据集对所述高光谱影像分类模型进行训练；
7、步骤s4，获取待分类的高光谱遥感影像，利用训练后的高光谱影像分类模型得到分类结果。
8、作为优选的技术方案，所述的步骤s1包括如下子步骤：
9、步骤s101，获取用于训练的普通光学遥感影像，通过地物类型筛查得到分类样本的类型和预设样本标记区域的范围；
10、步骤s102，获取与普通光学遥感影像同时期的用于训练的高光谱遥感影像，并对样本区域的类型进行标记；
11、步骤s103，将所述用于训练的高光谱遥感影像与标记后的样本区域进行对应，得到训练数据集。
12、作为优选的技术方案，所述的步骤s2中，将输入的高光谱遥感影像作为所述高光谱影像分类模型的输入，得到分类结果的过程包括如下步骤：
13、步骤s201，将输入的高光谱遥感影像的光谱通道数量调整至预设的初始通道数，实现初始化；
14、步骤s202，针对初始化后的输入的高光谱遥感影像，利用cnn以及transformer进行编码，提取影像中多层次的空谱特征；
15、步骤s203，针对多层次的空谱特征进行融合和解码，得到分类结果。
16、作为优选的技术方案，所述的步骤s202中，利用cnn进行编码的过程采用下式实现：
17、cbr(xin)＝relu(bn(conv(xin)))
18、xout＝cbr(cbr(xii))+xin
19、其中，xin表示cnn编码器的输入，xout表示cnn编码器的输出，conv表示卷积操作，bn表示批归一化操作，relu表示激活函数。
20、作为优选的技术方案，所述的步骤s202中，利用基于双线性插值的多头自注意力机制实现transformer编码：
21、q＝dwconv(xin),
22、k′＝sr(k)＝sr(dwconv(xin)),
23、v′＝sr(v)＝sr(dwconv(xin))
24、
25、xout＝attention(q,k′,v′)wo
26、其中，xin表示transformer编码器的输入，xout表示多头自注意力机制的输出，conv表示卷积操作，dwconv表示深度可分离卷积操作，sr表示双线性插值，dhea表示每个注意力头的维数，wo表示线性投影矩阵，t表示转置操作，attention(q,k′,v′)表示多头自注意力，
27、基于多头自注意力机制的输出得到第一级transformer编码的过程为：
28、
29、其中，xin为多头自注意力机制的输出，xout为第一级transformer编码后的特征，gelu为激活函数，dwconv表示逐通道卷积操作，pwconv为逐点卷积操作。作为优选的技术方案，所述的步骤s202中，提取影像中多层次的空谱特征采用下式实现：
30、ei＝pwconv(dwconv(fi))
31、e＝concat(e1,e2,e3,e4)
32、e′＝transformer(e)
33、其中，为步骤s201初始化后的特征、两级cnn分别得到的特征和第一级transformer编码后的特征，c为通道数，h和w为层的高和宽，pwconv为逐点卷积操作，dwconv表示逐通道卷积操作，e为多层次空谱特征拼接后的特征，即编码器的跳跃连接结果。
34、作为优选的技术方案，所述的步骤s203中，采用下式实现多层次的空谱特征进行融合和解码：
35、q＝dwconv(h),
36、k′＝sr(k)＝sr(dwconv(l)),
37、v′＝sr(v)＝sr(dwconv(l))
38、
39、其中，attention(q,k′,v′)表示多头自注意力，dwconv表示深度可分离卷积操作，h为具有高空间分辨率的跳跃连接结果，l为具有低空间分辨率的解码器上采样结果，wo表示线性投影矩阵，up为双线性上采样操作。
40、作为优选的技术方案，所述的步骤s3包括如下子步骤：
41、步骤s301，获取训练次数；
42、步骤s302，通过翻转、旋转、两次随机抽样、随机裁剪中的一种或多种方式对所述训练数据集进行数据增强；
43、步骤s303，基于数据增强后的训练数据集，采用两次随机抽样的方式对所述高光谱影像分类模型进行训练，利用预设的验证集对训练效果进行验证，保留验证集上精度最高的模型参数本文档来自技高网...
【技术保护点】
1.一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤S1包括如下子步骤：
3.根据权利要求1所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤S2中，将输入的高光谱遥感影像作为所述高光谱影像分类模型的输入，得到分类结果的过程包括如下步骤：
4.根据权利要求3所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤S202中，利用CNN进行编码的过程采用下式实现：
5.根据权利要求3所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤S202中，利用基于双线性插值的多头自注意力机制实现Transformer编码：
6.根据权利要求3所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤S202中，提取影像中多层次的空谱特征采用下式实现：
7.根据权利要求3所述的一种面向大场景高
8.根据权利要求1所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤S3包括如下子步骤：
9.根据权利要求1所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤S4包括如下子步骤：
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述面向大场景高光谱遥感影像的图到图像素级分类方法的指令。
...【技术特征摘要】
1.一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤s1包括如下子步骤：
3.根据权利要求1所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤s2中，将输入的高光谱遥感影像作为所述高光谱影像分类模型的输入，得到分类结果的过程包括如下步骤：
4.根据权利要求3所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤s202中，利用cnn进行编码的过程采用下式实现：
5.根据权利要求3所述的一种面向大场景高光谱遥感影像的图到图像素级分类方法，其特征在于，所述的步骤s202中，利用基于双线性插值的多头自注意力机制实现transformer编码：
6.根...
【专利技术属性】
技术研发人员：谭琨，季仁杰，王雪，牛超，杜培军，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。