[发明专利]一种基于波段注意力机制的高光谱图像特征波段选择方法

权利要求书

1.一种基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于，包括以下步骤：

步骤1、高光谱图像数据集采集与预处理；

步骤2、利用注意力模块提取原始高光谱图像的光谱特征信息，生成包含波段注意力信息的光谱数据块；

步骤2.1、通过平均池化操作生成原始高光谱图像H的空间-光谱描述符通过最大池化操作生成原始高光谱图像H的空间-光谱描述符

步骤2.2、将空间-光谱描述符和输入共享MLP网络进行特征变换；共享MLP网络包含两个隐藏层W₀和W₁，共享MLP网络的层与层之间使用ReLU激活函数；

步骤2.3、将共享MLP网络的输出特征向量相加，经过sigmoid函数，得到波段注意图M_b(H)：

上式中，MLP(AvgPool(H))为对原始高光谱图像H进行平均池化后，再输入共享MLP网络得到输出特征向量的函数；W₁和W₀为共享MLP网络的两个层；σ()表示sigmoid函数；

步骤2.4、在原始高光谱图像H和波段注意图M_b(H)之间使用元素乘法生成包含波段注意力信息的光谱数据块H′：

步骤3、将包含波段注意力信息的数据块H′输入基于三维残差网络的神经网络进行预测分析：基于三维残差网络的神经网络对包含波段注意力信息的数据块H′进行回归和分类，同时训练注意力模块BAM的参数，并保存预测效果最好的模型参数，得到预训练的带注意力模块的基于三维残差网络的神经网络；

步骤4、特征波段选取。

2.根据权利要求1所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于，步骤1具体包括以下步骤：

步骤1.1、利用高光谱成像系统对样本进行图像数据采集，得到高光谱图像数据集；使用暗参考图像D和白色图像W对采集到的原始高光谱图像R₀进行校正，校正后的图像R的计算公式为：

步骤1.2、将采集到的高光谱图像数据按设定比例划分训练集、测试集和验证集，训练集用于训练共享MLP网络模型，验证集用于初步评估共享MLP网络性能，测试集用于评估共享MLP网络的泛化能力；

步骤1.3、去除训练集、测试集、验证集中图像的背景干扰；

步骤1.4、调整训练集、测试集、验证集的图像大小。

3.根据权利要求2所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于：步骤1.1中高光谱成像系统包括可见及近红外高光谱成像相机、照明模块和图像采集平台；照明模块包含卤素灯。

4.根据权利要求3所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于，步骤1.1中利用高光谱成像系统对样本进行图像数据采集的具体方式为：将样本放置在采集平台上，相机与样本始终保持设定的垂直距离，并且样本始终处于高光谱成像相机视野范围内；对样本进行图像数据采集时，相机和样本均保持静止。

5.根据权利要求4所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于：卤素灯为150w；相机与样本始终保持34.5cm的垂直距离。

6.根据权利要求2所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于：步骤1.1所采集的高光谱图像的光谱覆盖470～900nm范围内的140个波长。

7.根据权利要求2所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于：

步骤1.2中将采集到的高光谱图像数据按照3:1:1的比例划分训练集、测试集和验证集；

步骤1.3中去除背景干扰的具体方式为：将800nm波段作为阈值波段，将0.15作为反射率阈值，将反射率小于0.15的像素值设置为0，作为背景；

步骤1.4通过以下方式调整图像大小：通过permute函数对高光谱图像数据进行高维矩阵运算，将采集到的高光谱图像的空间维度调整为160×160。

8.根据权利要求2所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于，步骤4具体包括以下步骤：

步骤4.1、将测试集中的原始高光谱图像H_i依次输入预训练的带注意力模块的基于三维残差网络的神经网络，记录利用注意力模块提取到的原始高光谱图像H_i对应的波段注意图M_b(H_i)的权重，用m表示波段数目，则M_b(H_i)的权重表示为其中代表维度；

步骤4.2、利用注意力模块BAM生成n个注意力图，将n个注意力图的权重相加，并使用Softmax函数将相加后的值映射到[0，1]的范围内，计算光谱维度的第b个波段的重要性指标I_b：

上式中，m表示总波段数目；

步骤4.3、根据重要性指标I_b对特征波段进行选取。