[发明专利]基于交叉分组空谱特征增强网络的高光谱图像分类方法

权利要求书

1.基于交叉分组空谱特征增强网络的高光谱图像分类方法，其特征在于，包括如下步骤：

1)光谱特征交叉分组：对高光谱图像中每个像素点的光谱维进行归一化处理，对第n个像素的光谱带进行交叉分组整形操作F_sg，得到的分组光谱特征为

2)多通道分组光谱特征提取：将分组光谱特征输入第一多通道分组光谱通道模型进行分组卷积、卷积和批量归一化光谱特征操作F_spe，得到光谱特征并采用通道自注意力模块对s_n′进行增强操作F_ca，得到增强后的光谱特征S_n＝F_ca(s_n′)，最后将S_n输入全连接层获得光谱通道的输出特征其中，K为全连接层的神经元个数；

3)空间特征交叉分组：对高光谱图像每个波段在空间维上进行归一化处理，并进行交叉分组降维操作F_pg，得到分组降维空间特征其中，h和w为高光谱图像空间维的长宽尺寸，压缩后的光谱维数为k′＝g×k_g，k′＜＜B，k_g为每组降维后的光谱维，g为分组组数；

4)分组空间特征提取：选取分组降维空间特征P_GPCA中与第二多通道分组光谱通道模型输入相对应的第n个像素邻域块作为空间通道的输入，进行卷积和批量归一化操作F_spa，得到空间特征并采用像素位置自注意力模块对进行增强操作F_pa，得到增强后的空间特征最后将P_n输入全连接层获得空间通道的输出特征空间通道特征维数与光谱通道特征维数相同，其中W为空间邻域块的长宽尺寸；

5)光谱-空间通道信息交互：将步骤3)和步骤4)所提取的增强光谱特征S_n与增强空间特征P_n进行全局平均池化信息交互操作：S_n与P_n进行点乘得到M(x)，M(x)再与S_n和P_n相加后进行全局平均池化操作，得到交互特征

6)高光谱图像像元分类：将步骤3)、步骤4)和步骤5)所提取的特征F₁(S_n)、F₂(P_n)和J(x)进行特征融合并传入顶端softmax线性分类器对每个像元进行分类。

2.根据权利要求1所述的基于交叉分组空谱特征增强网络的高光谱图像分类方法，其特征在于，步骤1)中所述的交叉分组整形操作F_sg过程为：

2-1)对在光谱维归一化后的高光谱图像的第n个像素的光谱带进行交叉分组得到分组光谱：其中B为光谱带长度，b_i表示第i个光谱，x⁽ⁱ⁾表示第i组的光谱矢量，g表示分组组数，表示向下取整，即m表示每一组光谱带数量，则光谱被划分为s_n＝[x⁽¹⁾,x⁽²⁾,...,x⁽ⁱ⁾,...,x^(g)]；

2-2)对s_n进行重新整形操作，构成大小形为的张量。

3.根据权利要求1所述的基于交叉分组空谱特征增强网络的高光谱图像分类方法，其特征在于，步骤2)中所述的第一多通道分组光谱通道模型为：设定分组光谱特征的分组数为分组卷积模块通道数，完成分组光谱多通道卷积操作，其中一个支路设有卷积核大小为n₁×1分组卷积模块和两个卷积层、每个卷积层后紧接着批量标准化层，另一支路设有卷积核大小为n₂×1分组卷积模块和两个卷积层、每个卷积层后紧接着批量标准化层。