[发明专利]高光谱遥感图像识别方法、装置、电子设备及存储介质

说明书

本申请公开了一种高光谱遥感图像识别方法、装置、电子设备及可读存储介质。其中，方法包括预先训练图像识别模型，将待识别高光谱遥感图像输入至图像识别模型，得到图像识别结果。图像识别模型的网络输入组合模块将输入图像的邻域特征和光谱维度合并，并选取网络输入图像块；多尺度双通卷积模块分别利用第一通道、第二通道对网络输入图像块进行固定核卷积和多尺度空洞组卷积操作；卷积特征混合模块将不同卷积过程中的多通道特征进行混合；压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作，有效提升高光谱图像的识别精度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种高光谱遥感图像识别方法、装置、电子设备及可读存储介质。

背景技术

随着高光谱传感器的发展，遥感影像的光谱信息越来越丰富，凭借众多指纹性特征，遥感技术进入到一个崭新阶段。高光谱影像具有高达纳米级的光谱采样间隔，可获得的像元具有上百波段光谱信息，广泛应用于地物分类识别、定量反演、目标检测和生态环境监测等领域。其中，在地物分类识领域，高光谱图像分类是根据其影像所蕴含的光谱特征与空间特征将每个像素赋予唯一类别标签，是目前高光谱遥感技术中最活跃的研究领域，并引起了遥感领域的广泛关注。传统的高光谱图像识别方法基于光谱信息进行分类，输入的信息为一维信息。例如：支持向量机、随机森林的分类方法、K最近邻等方法。近年来，空间特征与光谱特征更多地应用到高光谱图像识别分类中。

随着深度学习在各个领域的成功应用，所属领域技术人员将深度学习引入到高光谱图像识别中，并取得了良好的分类性能。如深度玻尔兹曼机、降噪自编码以及深度卷积神经网络。其中，深度卷积神经网络可自动提取出有效的空间以及光谱的高维特征，常见卷积神经网络有一维卷积、二维卷积、三维卷积的深度神经网络。卷积网络一般基于块(patch)进行运算，在高光谱遥感影像分类中，块的大小设定会导致分类结果失真。由于存在着空间感知细节的能力差、网络深度过度增加将会给网络模型带来梯度消失等问题，同时由于网络结构复杂以及模型训练样本有限导致模型训练不充分，识别精度低下。

发明内容

本申请提供了一种高光谱遥感图像识别方法、装置、电子设备及可读存储介质，有效提升高光谱遥感图像的识别精准度。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种高光谱遥感图像识别方法，包括：

预先训练图像识别模型；所述图像识别模型包括网络输入组合模块、多尺度双通卷积模块、卷积特征混合模块、压缩扩张空谱注意力机制模块；

将待识别高光谱遥感图像输入至所述图像识别模型中，得到所述待识别高光谱遥感图像的图像识别结果；

其中，所述网络输入组合模块将所述待识别高光谱遥感图像的邻域特征和光谱维度相互合并，并从合并结果中选取网络输入图像块；所述多尺度双通卷积模块利用第一通道对所述网络输入图像块进行固定核卷积操作，利用第二通道对所述网络输入图像块进行多尺度空洞组卷积处理；所述卷积特征混合模块将不同卷积过程中的多通道特征进行混合；所述压缩扩张空谱注意力机制模块在光谱维与空间维上学习目标特征，并基于注意力权重自适应调整空谱特征图，并将最终得到的目标空谱特征图输送至判别卷积层和全连接层进行降维操作。

可选的，所述多尺度双通卷积模块为由第一卷积层和第二卷积层以双通道形式构成；

所述第一卷积层的卷积核尺寸固定；所述第二卷积层由至少三层卷积通过串联方式构成。

可选的，所述第二卷积层包括第一子卷积层、第二子卷积层和第三子卷积层；所述第一子卷积层、所述第二子卷积层和所述第三子卷积层的卷积核尺寸相同，且采用递增空洞卷积率。

可选的，所述将不同卷积过程中的多通道特征进行混合，包括：