[发明专利]一种高光谱图像分类识别方法

权利要求书

1.一种高光谱图像分类识别方法，其特征在于，包括如下步骤：

1)对原始高光谱遥感影像进行预处理；

2)通过三维卷积网络和注意力机制对图像分三阶段提取不同侧重点的特征，分别为光谱特征，空间特征和空谱特征；通过循环神经网络提取多尺度特征并保留特征间的联系，最后进行分类。

2.根据权利要求1所述的一种高光谱图像分类识别方法，其特征在于，所述的步骤1)中，通过PCA对输入的图片数据进行降维。

3.根据权利要求1所述的一种高光谱图像分类识别方法，其特征在于，所述的步骤2)中具体为：由三维卷积提取图像特征，根据卷积核大小的不同将其区分为三个部分先后进行提取光谱信息，提取空间信息和提取空谱信息的操作。

4.根据权利要求3所述的一种高光谱图像分类识别方法，其特征在于，每个所述的部分中，在卷积结构之后，使用注意力机制来优化网络结构；所述的注意力机制分为通道注意力机制和空间注意力机制；其中通道注意力机制对同一个特征图的不同通道进行选择优化，获取重校订的通道信息，空间注意力机制则是对同一个特征图的所有空间位置重新分配权重，然后通过激活函数得到非线性的重新校订的上下文信息；最后，通过循环神经网络中的GRU单元，进行跨层特征融合，将三个部分的输出特征融合起来，使之兼具低层图像特征的细节信息和高层图像特征的意义信息，同时获取上下文信息。

5.根据权利要求3所述的一种高光谱图像分类识别方法，其特征在于，所述的步骤2)中具体为：对于三维卷积网络和注意力机制的提取特征做出区分，针对性的分为三个部分提取，以及用循环神经网络将这三部分联系起来，三个部分分别如下：

第一部分提取光谱信息，卷积核为1×1×3形式，配合通道注意力机制提取特征；

第二部分提取空间信息，卷积核为3×3×1形式，配合空间注意力机制提取特征；

第三部分提取空谱信息，卷积核为3×3×3形式，最后加上通道注意力机制与空间注意力机制。

6.根据权利要求4所述的一种高光谱图像分类识别方法，其特征在于，所述的通道注意力机制中，通道注意力层的结构具体为：

将H×W×C格式的输入特征分别进行一个空间维度上的全局平均池化和全局最大池化得到两个1×1×C格式的输出，接着再将它们分别送入一个两层的全连接神经网络，第一层神经元个数为C/r，用Relu函数激活，第二层神经元个数C，使得全连接层输出与输入大小相同；这个两层的全连接神经网络是共享的；

然后，再将得到的两个特征相加后经过一个Sigmoid激活函数得到权重系数Mc；

最后，拿权重系数和原来的输入特征相乘得到缩放后的新特征。

7.根据权利要求4所述的一种高光谱图像分类识别方法，其特征在于，所述的空间注意力机制中，空间注意力层的结构具体为：

给定一个H×W×C的输入特征图，先分别进行一个通道维度的平均池化和最大池化得到两个H×W×1的通道描述，并将这两个描述在通道维拼接在一起；

然后，输入到一个7×7的二维卷积层提取特征并使通道维大小重新变为1，再经过Sigmoid函数激活，得到权重系数Ms；

最后，拿权重系数和输入特征图相乘得到缩放后的新特征；

在此之后，将三个部分提取的特征图用1维卷积进行进一步特征提取，再用concat函数进行合并，然后输入到GRU单元中，之后将输出结果馈入另一神经网络调整大小使之与第三部分的卷积及注意力层提取结果格式相同，将二者相加，再展开成一维数据，输入到3层全连接层，每两层之间由RELU激活函数相连接，逐步缩小输出数据大小到16单元，最终由softmax层输出分类结果。

8.根据权利要求1所述的一种高光谱图像分类识别方法，其特征在于，所述的步骤2)中具体为：

通道特征提取：一个三维卷积层，一个批标准化层加上一个Relu激活函数层是一个卷积模块，数据经过两个卷积核为1×1×3大小的三维通道卷积模块处理后输入通道注意力模块，输出数据格式大小与输入相同；

空间特征提取：输出1经过两个卷积核为3×3×1大小的三维空间卷积模块处理后输入空间注意力模块，处理后为输出2，输出数据格式大小不变；

空谱特征提取：输出2经过两个卷积核为3×3×3大小的三维空谱卷积模块处理后输入通道注意力模块，再输入空间注意力模块，处理后为输出3，输出数据格式大小不变；

多尺度特征提取：输出1，输出2和输出3经过卷积核大小为7的一维卷积层进一步提取特征，由Relu函数激活后展开成一维数据，用concat函数将三者拼接为一个二维数据，然后输入循环神经网络GRU函数，最后再输入全连接网络将数据大小调整到与输出3相同，此时为输出4。