基于深度光谱空间倒残差网络的高光谱图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113935433A(43)申请公布日2022.01.14(21)申请号202111290378.6G06N3/04(2006.01)(22)申请日2021.11.02G06N3/08(2006.01)(71)申请人齐齐哈尔大学地址161006黑龙江省齐齐哈尔市建华区文化大街42号(72)发明人石翠萍张甜雨张鑫磊(74)专利代理机构哈尔滨市松花江专利商标事务所23109代理人张换男(51)Int.Cl.G06K9/62(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V20/13(2022.01)G06V10/82(2022.01)权利要求书4页说明书21页附图15页(54)发明名称基于深度光谱空间倒残差网络的高光谱图像分类方法(57)摘要基于深度光谱空间倒残差网络的高光谱图像分类方法，本发明涉及高光谱图像分类方法。本发明的目的是为了解决现有高光谱图像数据集中标记样本有限，并实现光谱空间特征的有效提取的问题。过程为：步骤一、获取高光谱图像步骤二、建立DSSIR模型；步骤三、将训练集输入DSSIR模型对DSSIR模型进行训练，得到DSSIR模型的初始参数，经过验证集验证不断更新参数，直到获得最优参数；步骤四、将测试集输入最优模型得到最终预测结果。本发明用于高光谱图像分类领域。CN113935433ACN113935433A权利要求书1/4页1.基于深度光谱空间倒残差网络的高光谱图像分类方法，其特征在于：所述方法具体过程为：步骤一、获取高光谱图像其中为高为H，宽为W，光谱通道为B的三维高光谱图像立方体，Y是高光谱图像数据中的标签向量；具体过程为：步骤一一、将进行随机分块，分成若干3D立方体块，把3D立方体块作为新的样本集其中h，w，B分别代表3D立方体块的高度，宽度和光谱维度，h，w被设置为相同的值；步骤一二、按照一定的比例从新的样本集P中随机抽样得到训练集Xtrain，再按照相同的比例从其余部分中随机抽样得到验证集Xvalid，剩余比例作为测试集Xtest；步骤二、建立DSSIR模型；步骤三、将训练集Xtrain输入DSSIR模型对DSSIR模型进行训练，得到DSSIR模型的初始参数，经过验证集Xvalid验证不断更新参数，直到获得最优参数；步骤四、将测试集Xtest输入最优模型得到最终预测结果Y'。2.根据权利要求1所述基于深度光谱空间倒残差网络的高光谱图像分类方法，其特征在于：所述建立的DSSIR模型；具体过程为：DSSIR模型分为三个阶段：基于分块随机擦除的数据增强阶段、具有双输入融合和DIR模块的深度特征提取阶段以及分类阶段；所述具有双输入融合和DIR模块的深度特征提取阶段包括双输入融合部分和DIR密集连接部分；所述DIR密集连接部分包括第一DIR模块、第二DIR模块和第三DIR模块；训练集Xtrain输入DSSIR模型的基于分块随机擦除的数据增强阶段，输出结果输入具有双输入融合和DIR模块的深度特征提取阶段中的双输入融合部分；双输入融合部分的输出作为第一DIR模块的输入，双输入融合部分的输出和第一DIR模块的输出的级联作为第二DIR模块的输入，双输入融合部分的输出、第一DIR模块的输出和第二DIR模块的输出的作为第三DIR模块的输入；双输入融合部分的输出、第一DIR模块的输出、第二DIR模块的输出、第三DIR模块的输出级联后输入分类阶段进行分类。3.根据权利要求2所述基于深度光谱空间倒残差网络的高光谱图像分类方法，其特征在于：所述基于随机擦除的数据增强阶段的具体处理过程为：a)、对于训练样本集Xtrain，S为原始输入三维立方体的空间维面积，W为此立方体的宽，H为此立方体的高，擦除概率设置为p，随机初始化擦除区域的面积设置为Se，随机初始化的擦除区域的面积Se与输入三维立方体的空间维面积S的比率设置在pl和ph之间，Se的高宽比re设置在r1和r2之间；其中，pl为比率的下界，ph为比率的上界，r1为高宽比re的下界，r2为高宽比re的上界；随机获得概率p1＝Rand(0,1)，如果满足p1＜p，则执行b)；否则结束；2CN113935433A权利要求书2/4页b)、根据随机得到的擦除区域比例计算得到初始擦除区域Se＝rand(pl,ph)*S；其中，rand(pl,ph)为随机得到的擦除区域比例，S为原始输入三维立方体的空间维面积；c)、再根据随机得到的高宽比计算得到擦除区域的长宽：其中，He为擦除区域的长，We为擦除区域的宽，*为乘法运算，rand(r1,r2)为随机得到的高宽比；d)、再根据随机得到的高宽值得到擦除的左上角的坐标(xe,ye)；分别加上公式(1)得到的长宽，得到擦除区域的