本發(fā)明涉及遙感圖像，具體為一種高效的多尺度空間和光譜特征深度融合的高光譜圖像分類方法。

背景技術(shù)：

1、高光譜圖像分類技術(shù)是一種處理和分析高光譜數(shù)據(jù)的先進(jìn)技術(shù)，其主要任務(wù)是對包含數(shù)百到數(shù)千個(gè)波段的光譜圖像進(jìn)行分類和識(shí)別。高光譜圖像與傳統(tǒng)的多光譜圖像相比，具有更高的光譜分辨率，這使得高光譜圖像能夠在每個(gè)像素上提供連續(xù)的光譜信息，從而能夠捕捉到豐富的地物信息。因此，高光譜圖像分類技術(shù)在許多應(yīng)用領(lǐng)域中顯示出了重要的價(jià)值，包括遙感、農(nóng)業(yè)環(huán)境監(jiān)測、城市規(guī)劃、礦產(chǎn)資源勘探、森林火災(zāi)監(jiān)控以及軍事偵察等。在這些應(yīng)用場景中，高光譜圖像分類技術(shù)的核心挑戰(zhàn)是如何從高維光譜數(shù)據(jù)中提取有效的特征信息，并對不同類別的物體進(jìn)行精確的分類。

2、高光譜圖像分類的過程通常包括幾個(gè)關(guān)鍵步驟：特征提取、數(shù)據(jù)降維、分類器設(shè)計(jì)以及后處理。特征提取的目的是從原始高光譜數(shù)據(jù)中提取出能夠有效區(qū)分不同類別的信息特征，這是整個(gè)分類過程的基礎(chǔ)。由于高光譜數(shù)據(jù)通常具有非常高的維度，這會(huì)導(dǎo)致計(jì)算復(fù)雜度高、數(shù)據(jù)冗余嚴(yán)重的問題，因此需要進(jìn)行數(shù)據(jù)降維處理。常見的數(shù)據(jù)降維方法包括主成分分析(pca)、線性判別分析(lda)和局部線性嵌入(lle)等，這些方法通過將高維數(shù)據(jù)投影到低維空間，減少數(shù)據(jù)的冗余性和復(fù)雜性，同時(shí)保留對分類任務(wù)最有用的信息特征。分類器設(shè)計(jì)涉及選擇合適的算法或模型，將提取的特征映射到特定的類別。常用的分類方法包括支持向量機(jī)(svm)、多項(xiàng)logistic回歸(mlr)、k近鄰算法(knn)以及稀疏表示分類器(src)等，這些方法通過在特征空間中構(gòu)建判別模型，實(shí)現(xiàn)對高光譜圖像的分類。最后，后處理步驟用于優(yōu)化和增強(qiáng)分類結(jié)果，以提高分類的精度和魯棒性。

3、現(xiàn)有技術(shù)中，在高光譜圖像分類技術(shù)的發(fā)展過程中，早期的研究主要依賴光譜信息來進(jìn)行特征提取和分類。由于高光譜圖像能夠在每個(gè)像素上提供細(xì)致的光譜信息，這些光譜信息能夠反映物體在不同波長下的反射特性，從而可以有效地區(qū)分不同的材料和地物類型。然而，單純依靠光譜信息進(jìn)行分類的方法常常面臨著一些挑戰(zhàn)，如光譜混疊問題和高光譜相似度等。這些問題會(huì)導(dǎo)致分類精度的降低，特別是在復(fù)雜場景下，不同地物的光譜特征可能非常相似，難以通過光譜信息進(jìn)行區(qū)分。

4、為了克服這些問題，研究者們逐漸認(rèn)識(shí)到將空間信息與光譜信息相結(jié)合的深度融合方法的重要性?？臻g信息提供了關(guān)于地物分布和形狀的額外信息，可以幫助減少光譜相似度對分類結(jié)果的影響，從而提升分類的精度和魯棒性。通過綜合利用光譜信息和空間信息，深度融合方法能夠在復(fù)雜的地物場景下更準(zhǔn)確地進(jìn)行分類，提高分類性能。

5、此外，由于高光譜數(shù)據(jù)的高維特性，數(shù)據(jù)冗余和計(jì)算復(fù)雜度的問題顯得尤為突出。為了應(yīng)對這些挑戰(zhàn)，降維技術(shù)被廣泛應(yīng)用于高光譜圖像分類中。常見的降維技術(shù)包括主成分分析(pca)、線性判別分析(lda)和局部線性嵌入(lle)等，這些方法通過將高維數(shù)據(jù)映射到一個(gè)低維空間，減少數(shù)據(jù)的冗余性和噪聲，從而提高分類的效率和準(zhǔn)確性。在分類器的設(shè)計(jì)方面，傳統(tǒng)的機(jī)器學(xué)習(xí)方法，如支持向量機(jī)(svm)、多項(xiàng)logistic回歸(mlr)、k近鄰算法(knn)以及稀疏表示分類器(src)，依然在高光譜圖像分類中得到了廣泛的應(yīng)用。這些方法通過在特征空間中構(gòu)建判別模型，能夠有效地實(shí)現(xiàn)對高光譜圖像的分類。

6、近年來，深度學(xué)習(xí)技術(shù)的迅猛發(fā)展為高光譜圖像分類提供了全新的方法和思路。深度學(xué)習(xí)模型，特別是卷積神經(jīng)網(wǎng)絡(luò)(cnn)、圖神經(jīng)網(wǎng)絡(luò)(gnn)和循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)，已被成功引入到高光譜圖像分類任務(wù)中。這些深度學(xué)習(xí)模型能夠自動(dòng)學(xué)習(xí)復(fù)雜的特征表示，有效結(jié)合光譜信息和空間信息，從而顯著提高分類的精度和穩(wěn)健性。卷積神經(jīng)網(wǎng)絡(luò)通過多層卷積操作可以提取局部空間特征，適用于捕捉光譜數(shù)據(jù)中的局部空間結(jié)構(gòu)；圖神經(jīng)網(wǎng)絡(luò)通過建模數(shù)據(jù)中的非歐幾里得結(jié)構(gòu)，可以捕捉更復(fù)雜的光譜和空間關(guān)系；而循環(huán)神經(jīng)網(wǎng)絡(luò)則擅長處理序列數(shù)據(jù)，能夠有效利用光譜信息的連續(xù)性特點(diǎn)。通過將這些深度學(xué)習(xí)技術(shù)應(yīng)用于高光譜圖像分類中，研究者們能夠更有效地解決傳統(tǒng)方法中遇到的光譜混疊和高維度問題，進(jìn)一步提升分類性能和算法的魯棒性。

7、但是，傳統(tǒng)的基于空間和光譜高光譜圖像分類方法主要依賴于局部信息的提取，這使得其易受到噪聲和環(huán)境變化的影響。此外，這類方法難以充分挖掘空間特征與光譜特征之間的互補(bǔ)性，導(dǎo)致在泛化能力方面存在不足，尤其是在面對不同場景的分類任務(wù)時(shí)表現(xiàn)出一定的局限性。

8、現(xiàn)有的深度學(xué)習(xí)分類方法盡管能夠提取更深層次的特征，但這些特征往往難以與圖像中的語義信息直接關(guān)聯(lián)。且現(xiàn)有的大多數(shù)深度學(xué)習(xí)方法依賴于預(yù)訓(xùn)練和微調(diào)階段，這不僅需要大量的計(jì)算資源和時(shí)間成本，而且對大規(guī)模標(biāo)注數(shù)據(jù)的需求較高。在實(shí)際應(yīng)用中，往往難以獲取足夠數(shù)量的標(biāo)注樣本來訓(xùn)練深度模型。

9、為此，我們推出一種高效的多尺度空間和光譜特征深度融合的高光譜圖像分類方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種高效的多尺度空間和光譜特征深度融合的高光譜圖像分類方法，以解決上述背景技術(shù)中提出的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種高效的多尺度空間和光譜特征深度融合的高光譜圖像分類方法，包括以下步驟：

3、s1：對輸入的高維光譜遙感數(shù)據(jù)進(jìn)行主成分分析pca和白化處理，以降低數(shù)據(jù)維度并提取原始淺層光譜特征；

4、s2：根據(jù)數(shù)據(jù)集的規(guī)模自適應(yīng)地選擇卷積核組的尺寸，以確保特征提取的適當(dāng)性和有效性；

5、s3：通過提取原始淺層光譜中不同尺度的隨機(jī)補(bǔ)丁，無需訓(xùn)練即獲得3d卷積核，并分別與圖像波段進(jìn)行卷積，以提取深度多尺度空間和光譜特征；

6、s4：對生成的特征圖再次進(jìn)行主成分分析和白化處理，以進(jìn)一步優(yōu)化特征表示，并將處理后的特征圖重新輸入到步驟s3中進(jìn)行遞歸操作，特征提取網(wǎng)絡(luò)采用了高效的并行級聯(lián)架構(gòu)，其中每個(gè)分支都專注于提取特定尺度的特征

7、s5：將各個(gè)尺度和各層次提取的深度空間和光譜特征通過主成分分析進(jìn)行融合操作，同時(shí)對原始的光譜特征也進(jìn)行主成分分析處理提取出淺層光譜特征，最后將多尺度深度空間和光譜特征與原始淺層光譜特征進(jìn)行深度融合，充分利用空間和光譜信息的互補(bǔ)性；

8、s6：使用支持向量機(jī)svm對深度融合后的特征進(jìn)行分類，獲得最終的分類結(jié)果。

9、優(yōu)選的，將輸入的高光譜遙感圖像通過主成分分析和白化操作進(jìn)行降維與預(yù)處理，以減少冗余信息并提取原始淺層光譜特征，其次，通過引入不同大小的大核卷積和隨機(jī)塊作為3d卷積核的策略，以實(shí)現(xiàn)對圖像多尺度空間和光譜特征的提取。

10、優(yōu)選的，所述數(shù)據(jù)集的規(guī)模來自適應(yīng)選擇大卷積核，對于一個(gè)尺寸為r×c大小的數(shù)據(jù)集，選擇長和寬中的較小者作為基準(zhǔn)：

11、x＝min(r,c)

12、卷積核組中的三個(gè)卷積核分別取和不僅保證了卷積核較大，還能夠提取不同空間尺度的特征，最大限度地保留高光譜圖像中的空間信息，從而更好地識(shí)別復(fù)雜的空間模式。

13、優(yōu)選的，所述3d卷積核分別分為：大卷積核和小卷積核，大卷積核分支主要提取空間特征，而較小的卷積核則更偏向于提取光譜多樣性特征，三個(gè)不同尺度的并行層級：

14、在第一層級中，對提取出的原始淺層光譜特征使用隨機(jī)函數(shù)隨機(jī)選取k個(gè)像素，在每個(gè)像素周圍選取一個(gè)w1×w1×p大小的補(bǔ)丁，w1為w1，w2，w3中小的一個(gè)，旨在提取更細(xì)節(jié)的局部特征，以得到k個(gè)隨機(jī)塊：通過鏡像圖像來填充邊緣處的像素，然后將k個(gè)隨機(jī)塊作為3d卷積核，將預(yù)處理后的數(shù)據(jù)與卷積核進(jìn)行卷積，得到k個(gè)特征圖：

15、

16、f(m)＝max(0,m-t)；

17、t＝[t2,...,t2]∈hrc×k；

18、第一層的特征可以表示為z(1)＝f(m)∈rrc×k，為了提取更深層次的特征，將第一層的特征圖進(jìn)行pca和白化處理后視為新的輸入h，繼續(xù)執(zhí)行第一層類似提取操作，最終我們可以得到第一層級的特征集合：z1＝z(1),z(2),...,z(n)。

19、優(yōu)選的，其中mi∈rr×c是第i維度的特征圖映射，是第j維度的白化數(shù)據(jù)，*代表二維卷積算子，是第i個(gè)隨機(jī)塊的第j維度；

20、其中t2∈rrc×1表示m在第二維中的平均向量，t為t2的k次重復(fù)組成的平均矩陣。

21、優(yōu)選的，在第二層級中，對白化后的數(shù)據(jù)hwhitening重復(fù)第一層級的操作，但此次選擇的補(bǔ)丁尺寸w2大小大于w1,以便聚焦于更廣泛的空間特征，通過提取隨機(jī)補(bǔ)丁和卷積等操作可以得到的第二級特征集合z2。

22、優(yōu)選的，在第三層級中，調(diào)整補(bǔ)丁尺寸w3以捕獲更大范圍的特征信息，經(jīng)過卷積操作后，得到不同尺度的第三層特征集z3，通過不同尺度提取的特征，得到了三個(gè)不同尺度的特征集合z＝{z1,z2,z3}，通過在不同層級運(yùn)用不同尺寸的3d卷積核，構(gòu)建的多尺度隨機(jī)補(bǔ)丁網(wǎng)絡(luò)能夠全方位地提取和表征圖像的空間和光譜特征，從而在提升模型的性能、魯棒性和泛化能力方面展現(xiàn)出顯著優(yōu)勢。

23、優(yōu)選的，三個(gè)不同尺度的空間和光譜特征集合記作zpca，將zpca與基于主成分分析的原始淺層光譜特征hpca進(jìn)行深度融合，從而綜合利用光譜和空間信息的優(yōu)勢。

24、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明依據(jù)數(shù)據(jù)集的尺寸靈活選擇三種不同尺度大小的3d卷積核，從而提升了模型的泛化能力。這種策略能夠有效提取不同空間尺度的特征，最大限度地保留高光譜圖像中的空間和光譜信息，從而更精確地識(shí)別復(fù)雜的空間模式。與此同時(shí)，本發(fā)明通過使用隨機(jī)函數(shù)從圖像中隨機(jī)提取像素塊作為3d卷積核，并與圖像的各個(gè)波段進(jìn)行卷積，無需預(yù)訓(xùn)練和微調(diào)，結(jié)合了淺層卷積和深層卷積的特征，能夠有效提取出多尺度且豐富的空間和光譜特征。此外，本發(fā)明還通過將不同尺度和層級的空間和光譜特征進(jìn)行主成分分析融合，并與主成分分析獲得的原始淺層光譜特征進(jìn)行深度融合，從而充分利用光譜和空間信息的綜合優(yōu)勢。這些創(chuàng)新性的技術(shù)手段，使得本發(fā)明在高光譜圖像的特征提取和識(shí)別方面具備顯著的優(yōu)越性。