[发明专利]联合光谱空间多层感知器的高光谱影像分类方法及装置

说明书

本发明属于高光谱图像分类技术领域，特别涉及一种联合光谱空间多层感知器的高光谱影像分类方法及装置，该方法包括首先利用光谱多层感知器从高光谱图像中提取全局光谱特征；然后利用空间多层感知器从高光谱图像中提取局部空间特征；最后利用多层感知器融合全局光谱特征和局部空间特征对高光谱图像进行联合分类。本发明能够从高光谱图像中提取出光谱特征和空间特征，且能有效地将这些特征融合后再进行联合分类，具有较高的分类精度。

技术领域

本发明属于高光谱图像分类技术领域，特别涉及一种联合光谱空间多层感知器的高光谱影像分类方法及装置。

背景技术

遥感技术是对地观测的重要组成部分之一，它可以在不接触物体的情况下利用其特定的反射特性识别观测场景。成像光谱仪能够获取从可见光到红外波长范围内近似连续的光谱信息，所获得的高光谱图像(HSIs)具有数百个诊断光谱波段，可用于后续信息提取。高光谱图像分类是高光谱遥感领域最具活力的研究方向，其目的是将每个像元划分为一个特定的类别。目前高光谱影像分类已广泛应用于土地测量、资源管理和城市发展等领域。

地物的多样性和复杂性是高光谱图像土地覆盖分类任务面临的巨大挑战。为了迎接该挑战，近年来广大研究学者研究了多种类型的深度学习模型在该领域中的应用，其中，卷积神经网络(convolutional neural networks,CNNs)由于可以同时提取多个抽象判别特征，使其在高光谱图像土地覆盖分类领域得到广泛关注。根据卷积神经网络输入特征的类型不同，卷积神经网络分类模型可分为一维、二维和三维卷积神经网络。为了建模高光谱图像中的序列关系，Mou等人提出了基于递归神经网络(RNN)的高光谱图像光谱-空间上下文信息分类模型。然而，CNN分类模型在探索已知实例化参数(如视角、大小和方向)之间的空间关系方面效率较低。为了更好地处理光谱-空间域的光谱和空间特征，Arun和Paoletti等人提出了基于光谱-空间胶囊的胶囊网络(CapsNet)模型用于高光谱图像分类。

事实上，同时利用光谱域的整个光谱特征和空间域的局部空间特征有助于遥感图像的解译。然而，现有的分类方法在处理光谱维的长程相关性并同时从空间域提取局部空间特征方面存在局限性，而这些多样性特征对高光谱图像的表征至关重要。此外，由于多样性特征在土地覆盖分类中具有互补信息，因此，光谱与空间协同分类将显著提高分类性能。

发明内容

针对当前基于深度学习的方法在高光谱图像的光谱和空间特征表示方面存在局限性从而限制了高光谱图像的分类性能的问题，本发明提出一种联合光谱空间多层感知器的高光谱影像分类方法及装置，能够从高光谱图像中提取出光谱特征和空间特征，且能有效地将这些特征融合后再进行联合分类，具有较高的分类精度。

为了实现上述目的，本发明采用以下的技术方案：

本发明提供了一种联合光谱空间多层感知器的高光谱影像分类方法，包含以下步骤：

利用光谱多层感知器从高光谱图像中提取全局光谱特征；

利用空间多层感知器从高光谱图像中提取局部空间特征；

利用多层感知器融合全局光谱特征和局部空间特征对高光谱图像进行联合分类。

进一步地，将输入给光谱多层感知器的高光谱图像斑块R^H×W×C沿空间维展开，得到一个二维输入X∈R^S×C，其中S＝HW，H和W分别表示图像长、宽，C为光谱维数。

进一步地，所述光谱多层感知器包括两个MLP块，分别是空间混合MLP块和通道混合MLP块；

在空间混合MLP块中，首先将输入的X进行转置，然后将空间混合多层感知器作用于X的列，并在所有列之间共享参数，实现映射；

在空间混合多层感知器之后，通道混合多层感知器作用于X的行，并在所有行之间共享参数，实现映射。