[发明专利]一种高光谱处理方法及波段选择方法

权利要求书

1.一种高光谱处理方法，其特征在于，包括：

使用第一训练数据集对高光谱分类模型进行训练，所述第一训练数据集为全波段高光谱训练数据集，

将第一训练数据集中的每个训练样本输入训练完毕的所述高光谱分类模型，通过所述高光谱分类模型获取用于波段选择的第二训练数据集，将第二训练数据集输入波段选择模型进行训练，所述波段选择模型输出选择出的波段序号集合，

根据选择出的波段序号集合从第一训练数据集中提取对应的波段，形成第三训练数据集，

使用第三训练数据集对所述高光谱分类模型进行训练；

所述全波段高光谱训练数据集为一维全波段高光谱训练数据集；

所述高光谱分类模型包括挤压-激励的残差网络模块，所述挤压-激励的残差网络模块包括挤压-激励模块；所述高光谱分类模型包括多个级联的挤压-激励的残差网络模块，所述多个级联的挤压-激励的残差网络模块形成挤压-激励的残差网络模块组；

所述波段选择模型包括异常点检测算法。

2.根据权利要求1所述的高光谱处理方法，其特征在于，

所述挤压-激励模块首先通过一个全局平均池化层计算每个特征通道的均值，然后通过两个1×1的卷积层将重要的特征通道进行增强，并将不重要的特征减弱，所述两个卷积层之间引入ReLU非线性函数，且，所述两个卷积层中，在第一个卷积层先进行了通道压缩，在第二个卷积层再恢复到原始通道数，最后，使用Sigmoid函数将各特征通道的重要性度量限定到[0, 1]之间。

3.根据权利要求1所述的高光谱处理方法，其特征在于，所述高光谱分类模型还包括：

所述高光谱分类模型在网络输入和所述挤压-激励的残差网络模块组之间设置一个卷积-非线性激活模块，所述卷积-非线性激活模块使用ReLU非线性函数，

所述高光谱分类模型在所述挤压-激励的残差网络模块组之后设置三个全连接层，用于将特征映射到样本标记空间，

所述高光谱分类模型最后通过Softmax函数产生每类的概率预测。

4.根据权利要求1所述的高光谱处理方法，其特征在于，所述异常点检测算法为孤立森林算法。

5.根据权利要求4所述的高光谱处理方法，其特征在于，所述第二训练数据集是通过以下方法获得：

所述将第一训练数据集中的每个训练样本输入训练完毕的所述高光谱分类模型后，通过所述高光谱分类模型的挤压-激励的残差网络模块组输出显著性特征，在每个挤压-激励的残差网络模块后设置一个概率生成模块，

每个概率生成模块根据对应的显著性特征输出对应的概率向量，将各个概率向量计算平均值得到对应训练样本的平均概率向量，

接着将该训练样本的平均概率向量放入对应的分类收集器中，最后，将每一类收集器中的概率向量计算均值，即可得到所述第二训练数据集。

6.一种高光谱波段选择方法，其特征在于，包括：

使用第一训练数据集对高光谱分类模型进行训练，所述第一训练数据集为全波段高光谱训练数据集，

将第一训练数据集中的每个训练样本输入训练完毕的所述高光谱分类模型，通过所述高光谱分类模型获取用于波段选择的第二训练数据集，将第二训练数据集输入波段选择模型进行训练，所述波段选择模型输出选择出的波段序号集合，

根据选择出的波段序号集合从第一训练数据集中提取对应的波段；

所述全波段高光谱训练数据集为一维全波段高光谱训练数据集；

所述高光谱分类模型包括挤压-激励的残差网络模块，所述挤压-激励的残差网络模块包括挤压-激励模块；所述高光谱分类模型包括多个级联的挤压-激励的残差网络模块，所述多个级联的挤压-激励的残差网络模块形成挤压-激励的残差网络模块组；

所述波段选择模型包括异常点检测算法。