[发明专利]一种基于波段注意力重建网络的高光谱波段选择方法及装置

说明书

本发明涉及高光谱遥感图像处理领域，公开了基于波段注意力重建网络的高光谱波段选择方法及装置。包括：(1)构建高效的波段注意力重建网络，计算波段代表性；(2)选择代表性度量值最高的波段，构建初始已选波段子集；(3)计算波段之间的冗余度；(4)计算波段代表性和冗余度综合分值；(5)选择得分最高的波段，更新波段子集。重复过程(3)‑(5)，直到已选择波段的数量达到预先设定的波段数。本发明从高光谱图像特性出发，利用了波段之间复杂的非线性关系，结合了先进的深度学习知识，提出了兼顾波段代表性和冗余度的波段选择方法，能够提升高光谱图像像素分类的精度。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于波段注意力重建网络的高光谱波段选择方法及装置。

背景技术

高光谱图像由数百个波段组成，包含了丰富的空间和光谱信息，使得准确识别感兴趣的目标成为可能。然而在实际应用中，大量波段带来的数据冗余导致了“休斯现象”，也给后续的图像处理带来了沉重的计算负担。因此，合理的数据降维方法成为使用高光谱图像的关键。目前，高光谱图像的降维方法可分为两类：特征提取和波段选择。前者会导致降维后数据的物理意义难以解释，而后者可以保留原始特征的物理意义。因此波段选择方法受到了学者们的广泛关注。

国内外现有的波段选择方法大致可以分为以下四类：(1)基于排序的波段选择方法；(2)基于逐点式搜索的波段选择方法；(3)基于分组式搜索的波段选择方法；(4)基于高级机器学习算法的波段选择方法。这些方法直接从原始高光谱数据集中提取出含有丰富信息的波段子集。然而现有的波段选择方法存在三个主要问题：

(1)现有的波段选择方法大多不能很好地考虑光谱波段之间的关系。例如，基于聚类的方法通常将每个波段作为一个独立的点进行评估，这使得原始高光谱图像的大量隐藏信息丢失。

(2)现有的波段选择方法大多不能很好地同时考虑所选波段子集的冗余度和代表性。例如，大多数基于排序的方法主要考虑每个波段的信息量，而忽略了所选波段之间存在的冗余。

(3)现有的波段选择方法通常使用强假设，即只考虑波段间的线性相关或简单地考虑基于预定义核函数的非线性相关，不能很好地分析波段间复杂的非线性相关关系。

发明内容

针对现有技术中的不足，本发明的目的是提供一种基于高效的波段注意力重建网络的高光谱波段选择方法及装置，揭示高光谱图像波段间的复杂非线性关系，同时通过在波段选择策略设计时兼顾波段的冗余度和代表性，提高高光谱图像最佳波段子集提取效果，解决因波段间存在大量冗余信息而导致的高光谱图像分类精度低的问题。

为实现上述目的，本发明提供了如下技术方案：

本发明提供了一种基于高效的波段注意力重建网络的高光谱波段选择方法，包括如下步骤：

步骤1)计算波段代表性：

将高光谱图像分块，每一个高光谱图像块作为一个样本；

构建高效的波段注意力重建网络，所述的波段注意力重建网络包括波段注意力网络和卷积自编码器重建网络；

所述波段注意力网络用于获取重加权的光谱波段，计算公式表示为：

ω＝F(X_P；θ_P)

其中，ω＝(ω₁,ω₂,...,ω_t,...,ω_L)代表波段注意力向量，ω_t代表第t个波段的权值，L代表波段数，X_P代表将高光谱图像分块后得到的高光谱图像块，F(·)代表波段注意力操作，θ_P代表波段注意力网络中可训练的参数；Z代表重加权的光谱波段，代表按波段乘法符号；