[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

说明书

本发明涉及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，包括步骤：高光谱图像数据集采集与预处理；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；将包含波段注意力信息的数据块输入基于三维残差网络的神经网络进行预测分析。本发明的有益效果是：本发明利用波段注意力模块生成波段注意力图；通过元素乘法对原始数据加权，本发明基于注意力模块挑选的特征波段具有代表性，并且总体神经网络模型连接三维残差网络进行预测分析，具有良好性能；本发明面向对象级别进行样本分析，将整个原始数据块作为输入，将特征波段选择与预测任务相结合，是一种高有效性、高普适性的方法。

技术领域

本发明属于特征波段选择技术领域，尤其涉及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。

背景技术

高光谱图像(HSI)连续光谱带提供了丰富的生化信息，广泛应用于土壤环境监测、植物元素含量分析和疾病检测等各个领域。原始HSI数据通常包含几十甚至几百个光谱波段，然而，波段过多会导致休斯现象，因此，有效选择高光谱图像特征波段对于减少冗余和噪声、降低数据存储和分析难度十分重要。

在现有方法中，将卷积神经网络与特定算法结合是主流手段，其中，注意力机制表现出了良好的选取能力。现有方法大多是在像素级别对研究样本波段特征进行分析，例如，Att-CNNs、BS-Net等，都对HIS原数据进行了扁平化处理，并且忽略了光谱维度波段之间的相互关联和区别；将卷积神经网络与特定算法结合对于进一步区分波段之间重要程度是至关重要的，是提高模型性能的一个关键突破口。

发明内容

本发明的目的是克服现有技术中的不足，提供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。

这种基于波段注意力机制的高光谱图像特征波段选择方法，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(AvgPool)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(MaxPool)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(用σ表示)，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(3D ResNet)的神经网络进行预测分析：基于三维残差网络(3D ResNet)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(Band Attention Module，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(BAM-3D ResNet)；

步骤4、特征波段选取。

作为优选，步骤1具体包括以下步骤：