[发明专利]一种双路径小卷积网络的高光谱图像分类方法

说明书

本发明公开了一种双路径小卷积网络的高光谱图像分类方法，包括使用两个1×1小卷积堆叠构成复合层，并采用两个复合层构建双路径小卷积特征提取模块，双路径小卷积特征提取模块设置有用于特征提取的残差路径和稠密路径，通过残差路径和稠密路径将一个复合层的最后一层输出划分为两组特征图，并使用融合Concatenate操作将两组特征图合并，作为下一复合层特征提取的输入，基于双路径小卷积特征提取模块构建双路径小卷积网络分类模型，双路径小卷积网络分类模型包括数据预处理，光谱特征提取和空‑谱特征融合，通过双路径小卷积网络分类模型使用1×1卷积结合全局平均池化层完成最终分类。本发明在能够提高影像分类精度的同时兼顾简化网络复杂度。

技术领域

本发明属于高光谱图像分类技术领域，具体涉及一种双路径小卷积网络的高光谱图像分类方法。

背景技术

高光谱遥感可以收集到从可见光到近红外波长范围的电磁光谱，这种成像特点使得高光谱图像拥有目标物体的几何空间信息，同时又具有众多连续光谱信息。高光谱遥感被广泛用在土地监测，陆地植被识别，湖泊水质检测等场景。图像分类一直以来都是高光谱遥感应用中的一个核心环节，分类结果的好坏会直接影响到后续工作。因此，构建一个精准、高效的高光谱图像分类模型至关重要。

对于一些传统的分类算法而言，如支持向量机(SVM)，K近邻算法(KNN)，稀疏表示法等，这类算法结构较为简单，如专利文献CN110135399A公开的一种基于稀疏表示的遥感图像特征提取与场景分类方法，采用K近邻算法获得欧氏距离，将稀疏重构残差和欧式距离进行线性加权，以获得的结果作为类别标签，并根据最小化重构误差准则对待测样本进行分类；

这类方法在对光谱波段连续、空间复杂的高光谱数据进行处理时，其特征提取能力略显不足，影响了分类精度。

近年来，卷积神经网络(CNN)在自然图像分类，语音识别，目标检测和图像语义分割等领域中得到成功应用，这些研究表明CNN具有强劲的特征提取能力。为了能够有效提取高光谱图像中的丰富信息，进一步提高分类精度，相当一部分研究者使用CNN致力于高光谱图像分类，并取得优异效果。

当前，3D卷积网络流行于高光谱分类中。从特征学习的角度而言，3D卷积相对于2D卷积网络，可控范围扩大到时域，能学习到更多的时域信息，但是相应的这种模式的计算开销和训练耗时严重；

另一方面，大部分研究者往往使用带有3×3，5×5或更大尺寸卷积核的残差连接，稠密连接等学习策略来构建高光谱分类模型，从而忽略了模型结构的复杂度，其分类效率较低。

发明内容

本发明为解决传统分类算法导致影像分类精度低以及分类效率低的问题，提供一种双路径小卷积网络的高光谱分类方法，本发明利用1×1小卷积结合残差路径和稠密路径连接完成影像分类，在提高了影像分类精度的同时简化了网络的复杂度。

本发明提出了一种双路径小卷积网络的高光谱图像分类方法所述方法包括以下步骤：

步骤1：使用两个1×1小卷积堆叠构成复合层，并采用两个所述复合层构建双路径小卷积特征提取模块；

所述双路径小卷积特征提取模块设置有用于特征提取的残差路径和稠密路径，通过所述残差路径和稠密路径将一个所述复合层的最后一层输出划分为两组特征图，并使用融合Concatenate操作将所述两组特征图合并，作为下一所述复合层特征提取的输入；

步骤2：基于双路径小卷积特征提取模块构建双路径小卷积网络分类模型，所述双路径小卷积网络分类模型包括数据预处理，光谱特征提取和空-谱特征融合；

通过双路径小卷积网络分类模型使用1×1卷积结合全局平均池化层完成最终分类。

进一步地，每个所述复合层中1×1小卷积顺次执行BN、ReLU和Conv卷积操作。