基于自适应多尺度特征提取模型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CN112766199A(43)申请公布日2021.05.07(21)申请号202110102544.9(22)申请日2021.01.26(71)申请人武汉大学地址430072湖北省武汉市武昌区珞珈山武汉大学(72)发明人杜博杨佳琪张良培武辰(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222代理人王琪(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图1页(54)发明名称基于自适应多尺度特征提取模型的高光谱图像分类方法(57)摘要本发明公开了基于自适应多尺度特征提取模型的高光谱图像分类方法，建立包含尺度参考网络和特征提取网络两部分的框架，在尺度参考网络，引入条件门控机制，通过三组模块逐级判断，将特征输入到对应尺度提取网络，深入挖掘高光谱遥感图像蕴含的丰富信息，有效结合不同尺度的特征，提高分类效果，生成精细分类结果图；在特征提取网络，设计大尺度特征提取网络和小尺度特征提取网络从两个尺度进行地物信息提取，综合考虑数据集异构性和被识别地物尺度差异性，能够自适应改变网络结构，实现多尺度特征协同学习。本发明在进行多尺度特征提取时，同时保留了高光谱遥感图像的较小尺度细节信息和较大尺度空间信息，满足高光谱遥感图像目标识别与分类需要。CN112766199ACN112766199A权利要求书1/2页1.一种基于自适应多尺度特征提取模型的高光谱图像分类方法，其特征在于：建立一个尺度参考网络和两个特征提取网络的整体框架，两个特征提取网络包括大尺度特征提取网络和小尺度特征提取网络两类网络模型，并将两类网络模型进行自适应融合，实现针对不同数据集自动调节模型结构的多尺度特征提取；在尺度参考网络里，设计了M组卷积池化模块和一个条件门控机制，在每一组卷积池化模块参与网络运算后，将该卷积池化模块内池化层输出的特征送入条件门控机制，条件门控机制计算出用于尺度判断的参考值向量，计算参考值向量平均值作为该卷积池化模块尺度参考值；具体包括如下步骤：步骤1，对原始高光谱遥感图像降维；步骤2，针对降维后的高光谱图像内每一个像素，以该像素为中心提取图像块，作为训练样本；步骤3，初始化尺度参考网络和两个特征提取网络的网络参数；步骤4，将基于步骤1和步骤2生成的训练样本数据逐个图像块输入到尺度参考网络；步骤5，利用条件门控机制计算第一个卷积池化模块的参考值向量，并计算参考值向量的平均值作为该卷积池化模块尺度参考值；步骤6，将尺度参考网络输出的尺度参考值与阈值0比较，如果尺度参考值大于0，则将该卷积池化模块特征送入小尺度特征提取网络；如果尺度参考值小于0，则将该卷积池化模块特征送入大尺度特征提取网络；步骤7，重复步骤5和6，计算第二至第M个卷积池化模块的尺度参考值；步骤8，将利用步骤1和步骤2生成的训练样本输入整体框架，利用均方根传播算法，将网络损失函数调整至最小；步骤9，对待分类高光谱图像，采用步骤1和步骤2生成测试样本，输入到整体框架，完成分类任务。2.根据权利要求1所述一种基于自适应多尺度特征提取模型的高光谱图像分类方法，其特征在于：步骤1中利用主成分分析算法对原始高光谱遥感图像降维，降维过程具体包括以下步骤；步骤1.1，记高光谱遥感图像为其中m为图像像元总数，n为光谱特征总数，表示实数域，计算图像X协方差矩阵C；步骤1.2，对协方差矩阵C进行奇异值分解，得到矩阵C特征值与对应特征向量；步骤1.3，对特征值按数值大小进行降序排序，特征向量按特征值的顺序也对应排序；步骤1.4，取步骤1.3排序后前p个特征向量u1,u2,…up组成矩阵步骤1.5，利用公式Z＝XU计算可以得到降维后图像。3.根据权利要求1所述一种基于自适应多尺度特征提取模型的高光谱图像分类方法，其特征在于：每组卷积池化模块由一个卷积层和一个池化层组成，卷积层卷积核尺寸为3×3，条件门控机制由一个1×1卷积层、批量归一化层、Tanh激活函数层和平均池化层构成。4.根据权利要求1所述一种基于自适应多尺度特征提取模型的高光谱图像分类方法，其特征在于：在大尺度特征提取网络里，建立M组与尺度参考网络对应的模块，每个模块内2CN112766199A权利要求书2/2页部包括一个卷积层和一个池化层，卷积层的卷积核尺寸都为5×5；在小尺度特征提取网络里，建立M组与尺度参考网络对应的模块，每个模块内部包括一个卷积层和一个池化层，卷积层的卷积核尺寸都为3×3。5.根据权利要求1所述一种基于自适应多尺度特征提取模型的高光谱图像分类方法，其特征在于：特征提取网络的输出变量的具