[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

说明书

本发明公开了一种基于交叉分组空谱特征增强网络的高光谱图像分类方法，包括：1）光谱特征交叉分组；2）多通道分组光谱特征提取；3）空间特征交叉分组；4）分组空间特征提取；5）光谱‑空间通道信息交互；6）高光谱图像像元分类。这种方法利用光谱‑空间特征信息，分别对光谱特征和空间特征进行交叉分组和特征提取操作，能有效减弱相邻光谱间相关性；采用通道自注意力和像素位置自注意力操作对交叉分组得到的特征进行增强，对空间特征和光谱特征进行信息交互及融合，将融合后特征用于分类，能够提高网络分类性能。

技术领域

本发明涉及智能图像处理技术领域，具体是一种基于交叉分组光谱-空间特征增强与融合网络的高光谱图像分类方法。

背景技术

高光谱遥感图像(Hyperspectral image,简称HSI)同时具有空间信息与光谱信息的特点，使得其在地物分类、目标分割与识别、动态目标追踪等研究领域具有非常大的应用价值。目前已经广泛应用于农业检测、矿物勘探、安全监测和环境科学等领域。高光谱遥感图像的分类研究是高光谱图像信息提取的重要手段之一，是高光谱研究技术的基础，通过划分不同地物各个光谱波段的差异来对每个像素点进行类别的区分。

在传统的机器学习高光谱图像分类方法，如线性支持向量机Line-SVM，贝叶斯模型(Bayes Model)，随机森林(Random forest)等在高光谱遥感图像分类中的缺陷是无法使用高光谱遥感图像的空间特征，所提取的高光谱图像特征的不变性及判别性较差。近年来，随着深度学习方法在高光谱图像分类中广泛应用，大大提升了高光谱图像的分类性能。Zhong等人利用3D-CNN构建残差网络(ResNets)提出了一种光谱-空间残差网络(Spectral–Spatial Residual Network for Hyperspectral Image Classification，简称SSRN)，它包含光谱残差块和空间残差块，直接从空间尺寸为7×7×200的原始高光谱数据块，以顺序提取光谱特征和空间特征；Zhou等人提出了光谱-空间长短期记忆网络(Hyperspectralimage classification using spectral-spatial LSTMs，简称SSLSTMs)，将高光谱图像的光谱带看作图像序列,使用长短期记忆网络提取相邻光谱之间的上下文特征，同时将空间特征行向量转化为序列使用长短期记忆网络提取空间特征；Zhang等人提出了一种基于多尺度密集网络的高光谱图像分类方法(Multi-Scale Dense Networks for HyperspectralRemote Sensing Image Classification，简称MSDN),利用3D-CNN构建多尺度密集网络模型，利用了网络结构中的不同尺度信息，并对不同层次的特征进行聚合，同时提取空间-光谱特征。

尽管这些基于深度学习的高光谱图像分类方法在分类性能的提高上均有显著成效，但仍有不足之处。首先，由于高光谱图像光谱波段多、数据量大，直接使用原始高光谱数据块作为模型的输入，容易出现维数灾难；其次，三维CNN相对二维CNN计算复杂度高，构建深层三维CNN分类模型容易出现过拟合问题，无法提取更深层次的特征；最后，这些方法在提取光谱特征时没有考虑到高光谱图像相邻光谱间相关性较强的问题，忽略了对光谱维的处理。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于交叉分组空谱特征增强网络的高光谱图像分类方法。这种方法利用光谱-空间特征信息，分别对光谱特征和空间特征进行交叉分组和特征提取操作，能有效减弱相邻光谱间相关性；采用通道自注意力和像素位置自注意力操作对交叉分组得到的特征进行增强，对空间特征和光谱特征进行信息交互及融合，将融合后特征用于分类，能够提高网络分类性能。

实现本发明目的的技术方案是：

一种基于交叉分组空谱特征增强网络的高光谱图像分类方法，与现有技术不同的是，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