【技术实现步骤摘要】
本专利技术涉及遥感图像，具体为一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法。
技术介绍
1、高光谱图像分类技术是一种处理和分析高光谱数据的先进技术，其主要任务是对包含数百到数千个波段的光谱图像进行分类和识别。高光谱图像与传统的多光谱图像相比，具有更高的光谱分辨率，这使得高光谱图像能够在每个像素上提供连续的光谱信息，从而能够捕捉到丰富的地物信息。因此，高光谱图像分类技术在许多应用领域中显示出了重要的价值，包括遥感、农业环境监测、城市规划、矿产资源勘探、森林火灾监控以及军事侦察等。在这些应用场景中，高光谱图像分类技术的核心挑战是如何从高维光谱数据中提取有效的特征信息，并对不同类别的物体进行精确的分类。
2、高光谱图像分类的过程通常包括几个关键步骤：特征提取、数据降维、分类器设计以及后处理。特征提取的目的是从原始高光谱数据中提取出能够有效区分不同类别的信息特征，这是整个分类过程的基础。由于高光谱数据通常具有非常高的维度，这会导致计算复杂度高、数据冗余严重的问题，因此需要进行数据降维处理。常见的数据降维方法包括主成分分析(pca)、线性判别分析(lda)和局部线性嵌入(lle)等，这些方法通过将高维数据投影到低维空间，减少数据的冗余性和复杂性，同时保留对分类任务最有用的信息特征。分类器设计涉及选择合适的算法或模型，将提取的特征映射到特定的类别。常用的分类方法包括支持向量机(svm)、多项logistic回归(mlr)、k近邻算法(knn)以及稀疏表示分类器(src)等，这些方法通过在特征空间中构建判别模型，实现
3、现有技术中，在高光谱图像分类技术的发展过程中，早期的研究主要依赖光谱信息来进行特征提取和分类。由于高光谱图像能够在每个像素上提供细致的光谱信息，这些光谱信息能够反映物体在不同波长下的反射特性，从而可以有效地区分不同的材料和地物类型。然而，单纯依靠光谱信息进行分类的方法常常面临着一些挑战，如光谱混叠问题和高光谱相似度等。这些问题会导致分类精度的降低，特别是在复杂场景下，不同地物的光谱特征可能非常相似，难以通过光谱信息进行区分。
4、为了克服这些问题，研究者们逐渐认识到将空间信息与光谱信息相结合的深度融合方法的重要性。空间信息提供了关于地物分布和形状的额外信息，可以帮助减少光谱相似度对分类结果的影响，从而提升分类的精度和鲁棒性。通过综合利用光谱信息和空间信息，深度融合方法能够在复杂的地物场景下更准确地进行分类，提高分类性能。
5、此外，由于高光谱数据的高维特性，数据冗余和计算复杂度的问题显得尤为突出。为了应对这些挑战，降维技术被广泛应用于高光谱图像分类中。常见的降维技术包括主成分分析(pca)、线性判别分析(lda)和局部线性嵌入(lle)等，这些方法通过将高维数据映射到一个低维空间，减少数据的冗余性和噪声，从而提高分类的效率和准确性。在分类器的设计方面，传统的机器学习方法，如支持向量机(svm)、多项logistic回归(mlr)、k近邻算法(knn)以及稀疏表示分类器(src)，依然在高光谱图像分类中得到了广泛的应用。这些方法通过在特征空间中构建判别模型，能够有效地实现对高光谱图像的分类。
6、近年来，深度学习技术的迅猛发展为高光谱图像分类提供了全新的方法和思路。深度学习模型，特别是卷积神经网络(cnn)、图神经网络(gnn)和循环神经网络(rnn)，已被成功引入到高光谱图像分类任务中。这些深度学习模型能够自动学习复杂的特征表示，有效结合光谱信息和空间信息，从而显著提高分类的精度和稳健性。卷积神经网络通过多层卷积操作可以提取局部空间特征，适用于捕捉光谱数据中的局部空间结构；图神经网络通过建模数据中的非欧几里得结构，可以捕捉更复杂的光谱和空间关系；而循环神经网络则擅长处理序列数据，能够有效利用光谱信息的连续性特点。通过将这些深度学习技术应用于高光谱图像分类中，研究者们能够更有效地解决传统方法中遇到的光谱混叠和高维度问题，进一步提升分类性能和算法的鲁棒性。
7、但是，传统的基于空间和光谱高光谱图像分类方法主要依赖于局部信息的提取，这使得其易受到噪声和环境变化的影响。此外，这类方法难以充分挖掘空间特征与光谱特征之间的互补性，导致在泛化能力方面存在不足，尤其是在面对不同场景的分类任务时表现出一定的局限性。
8、现有的深度学习分类方法尽管能够提取更深层次的特征，但这些特征往往难以与图像中的语义信息直接关联。且现有的大多数深度学习方法依赖于预训练和微调阶段，这不仅需要大量的计算资源和时间成本，而且对大规模标注数据的需求较高。在实际应用中，往往难以获取足够数量的标注样本来训练深度模型。
9、为此，我们推出一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法。
技术实现思路
1、本专利技术的目的在于提供一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，包括以下步骤：
3、s1：对输入的高维光谱遥感数据进行主成分分析pca和白化处理，以降低数据维度并提取原始浅层光谱特征；
4、s2：根据数据集的规模自适应地选择卷积核组的尺寸，以确保特征提取的适当性和有效性；
5、s3：通过提取原始浅层光谱中不同尺度的随机补丁，无需训练即获得3d卷积核，并分别与图像波段进行卷积，以提取深度多尺度空间和光谱特征；
6、s4：对生成的特征图再次进行主成分分析和白化处理，以进一步优化特征表示，并将处理后的特征图重新输入到步骤s3中进行递归操作，特征提取网络采用了高效的并行级联架构，其中每个分支都专注于提取特定尺度的特征
7、s5：将各个尺度和各层次提取的深度空间和光谱特征通过主成分分析进行融合操作，同时对原始的光谱特征也进行主成分分析处理提取出浅层光谱特征，最后将多尺度深度空间和光谱特征与原始浅层光谱特征进行深度融合，充分利用空间和光谱信息的互补性；
8、s6：使用支持向量机svm对深度融合后的特征进行分类，获得最终的分类结果。
9、优选的，将输入的高光谱遥感图像通过主成分分析和白化操作进行降维与预处理，以减少冗余信息并提取原始浅层光谱特征，其次，通过引入不同大小的大核卷积和随机块作为3d卷积核的策略，以实现对图像多尺度空间和光谱特征的提取。
10、优选的，所述数据集的规模来自适应选择大卷积核，对于一个尺寸为r×c大小的数据集，选择长和宽中的较小者作为基准：
11、x＝min(r,c)
12、卷积核组中的三个卷积核分别取和不仅保证了卷积核较大，还能够提取不同空间尺度的特征，最大限度地保留高光谱图像中的空间信息，从而更好地识别复杂的空间模式。
13、优选的，所述3d卷积核本文档来自技高网...
【技术保护点】
1.一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：将输入的高光谱遥感图像通过主成分分析和白化操作进行降维与预处理，并提取原始浅层光谱特征。
3.根据权利要求1所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：数据集的规模来自适应选择大卷积核，对于一个尺寸为r×c大小的数据集，选择长和宽中的较小者作为基准：
4.根据权利要求1所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：3D卷积核分别分为：大卷积核和小卷积核，大卷积核分支提取空间特征，小卷积核提取光谱多样性特征，三个不同尺度的并行层级：
5.根据权利要求4所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：Mi∈Rr×c是第i维度的特征图映射，是第j维度的白化数据，*代表二维卷积算子，Pi(j)是第i个随机块的第j维度；
6.根据权利要求4所述的一种高
7.根据权利要求4所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：在第三层级中，调整补丁尺寸w3以捕获特征信息，经过卷积操作后，得到不同尺度的第三层特征集Z3，通过不同尺度提取的特征，得到了三个不同尺度的特征集合Z＝{Z1,Z2,Z3}。
8.根据权利要求4所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：三个不同尺度的空间和光谱特征集合记作ZPCA，将ZPCA与基于主成分分析的原始浅层光谱特征HPCA进行深度融合。
...【技术特征摘要】
1.一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：将输入的高光谱遥感图像通过主成分分析和白化操作进行降维与预处理，并提取原始浅层光谱特征。
3.根据权利要求1所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：数据集的规模来自适应选择大卷积核，对于一个尺寸为r×c大小的数据集，选择长和宽中的较小者作为基准：
4.根据权利要求1所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：3d卷积核分别分为：大卷积核和小卷积核，大卷积核分支提取空间特征，小卷积核提取光谱多样性特征，三个不同尺度的并行层级：
5.根据权利要求4所述的一种高效的多尺度空间和光谱特征深度融合的高光谱图像分类方法，其特征在于：mi∈rr×c是第i维度的...
【专利技术属性】
技术研发人员：吕巨建，杨宜凡，林凯瀚，陈荣军，任金昌，黎嘉文，赵慧民，林陶志，
申请(专利权)人：广东技术师范大学，
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。