[发明专利]一种特征自适应互引导的多源信息融合分类方法及系统

权利要求书

1.一种特征自适应互引导的多源信息融合分类方法，其特征在于，包括以下步骤：

获取高光谱图像和激光雷达图像数据集并进行数据预处理，得到训练集；

基于训练集对预设的特征自适应互引导的多源信息融合网络进行训练，得到训练完备的特征自适应互引导的多源信息融合网络；

所述特征自适应互引导的多源信息融合网络包括光谱-空间特征学习模块、光谱-空间互相引导模块和多模态数据融合分类模块；

获取待测图像并基于训练完备的特征自适应互引导的多源信息融合网络对待测图像进行分类，得到图像分类结果。

2.根据权利要求1所述一种特征自适应互引导的多源信息融合分类方法，其特征在于，所述获取高光谱图像和激光雷达图像数据集并进行数据预处理，得到训练集这一步骤，其具体包括：

获取覆盖地球表面相同区域的高光谱图像及其对应的激光雷达图像；

对高光谱图像进行降维，得到低维度主成分的高光谱图像；

根据高光谱图像和激光雷达图像构建训练样本对，并结合真实标签构建训练集。

3.根据权利要求2所述一种特征自适应互引导的多源信息融合分类方法，其特征在于，所述基于训练集对预设的特征自适应互引导的多源信息融合网络进行训练，得到训练完备的特征自适应互引导的多源信息融合网络这一步骤，其具体包括：

基于光谱-空间特征学习模块对高光谱图像进行Involution算子特征学习操作，对高光谱图像和激光雷达图像的空间结构进行融合，提取得到光谱特征信息和空间特征信息；

基于光谱-空间互相引导模块对光谱特征信息和空间特征信息进行多尺度特征提取，得到低层特征、中层特征和高层特征；

基于多模态数据融合分类模块将低层特征、中层特征和高层特征按权重计算概率分类，得到训练分类结果；

根据训练分类结果和真实标签调整网络参数，得到训练完备的特征自适应互引导的多源信息融合网络。

4.根据权利要求3所述一种特征自适应互引导的多源信息融合分类方法，其特征在于，所述光谱-空间特征学习模块包括光谱特征提取器、光谱权重编码器和自适应空间权重编码器，所述基于光谱-空间特征学习模块对高光谱图像进行Involution算子特征学习操作，对高光谱图像和激光雷达图像的空间结构进行融合，提取得到光谱特征信息和空间特征信息这一步骤，其具体包括：

基于光谱特征提取器对高光谱图像进行处理，得到主要特征；

光谱权重编码器采用Involution方法进行卷积核生成，并结合主要特征得到光谱特征信息；

自适应空间权重编码器按照预设权重对高光谱图像和激光雷达图像的空间结构进行自适应空间融合，并结合主要特征得到空间特征信息。

5.根据权利要求4所述一种特征自适应互引导的多源信息融合分类方法，其特征在于，所述基于光谱-空间互相引导模块对光谱特征信息和空间特征信息进行多尺度特征提取，得到低层特征、中层特征和高层特征这一步骤，其具体包括：

将光谱特征信息和空间特征信息进行张量串联操作，得到低层局部纹理特征；

基于第一SSM单元对光谱特征信息和和空间特征进行整合和特征提取，得到中层可解释特征；

基于第二SSM单元对中层可解释特征进行再提取，得到高层全局语义特征。

6.根据权利要求5所述一种特征自适应互引导的多源信息融合分类方法，其特征在于，所述基于多模态数据融合分类模块将低层特征、中层特征和高层特征按权重计算概率分类，得到训练分类结果这一步骤，其具体包括：

基于维度匹配函数进行低层局部纹理特征、中层可解释特征和高层全局语义特征的特征图维度匹配，并按维度融合，得到融合特征张量；

将融合特征按预设权重转换为最终融合特征；

将最终融合特征输入至多模态数据融合分类模块，得到训练分类结果。