本申請涉及圖像處理領(lǐng)域，特別是涉及一種多粒度混合高光譜圖像分類方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、隨著遙感技術(shù)和光譜成像技術(shù)的不斷發(fā)展，高光譜圖像在眾多領(lǐng)域的應(yīng)用日益廣泛，但其高維度和波段高相關(guān)性給分類帶來了挑戰(zhàn)。傳統(tǒng)的分類方法為高光譜圖像分類領(lǐng)域奠定了良好的研究基礎(chǔ)，但存在提取特征多為人工提取、需要大量先驗(yàn)知識(shí)、提取的特征均為淺層特征、難以捕捉數(shù)據(jù)中復(fù)雜的非線性關(guān)系、泛化能力相對較弱等問題。隨著深度學(xué)習(xí)的提出與迅速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)因其卓越的特征提取能力，深受高光譜圖像分類研究者的青睞。但基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional?neural?network，cnn）的模型在hsi【色調(diào)h(hue)、飽和度s(saturation)、亮度i(intensity)】分類中仍然存在無法充分捕獲像素之間的全局信息、未充分考慮波段之間的關(guān)聯(lián)等問題。transformer的提出使處理長序列數(shù)據(jù)的強(qiáng)大能力在傳統(tǒng)視覺領(lǐng)域得到成功應(yīng)用，越來越多的研究者將其應(yīng)用到高光譜圖像分類上。但基于transformer的模型存在計(jì)算復(fù)雜、泛化能力不佳等問題。

技術(shù)實(shí)現(xiàn)思路

1、本申請的目的是提供一種多粒度混合高光譜圖像分類方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品，能夠減少計(jì)算復(fù)雜度，提高模型泛化能力，進(jìn)而提高光譜圖像的分類性能。

2、為實(shí)現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨福?/p>

3、第一方面，本申請?zhí)峁┝艘环N多粒度混合高光譜圖像分類方法，包括：

4、獲取高光譜圖像數(shù)據(jù)；

5、對所述高光譜圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的高光譜圖像數(shù)據(jù)；

6、將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到多粒度混合高光譜圖像分類模型中，得到高光譜圖像的分類結(jié)果；所述多粒度混合高光譜圖像分類模型包括輕量級(jí)多粒度光譜空間特征提取模塊、多頭空譜注意力模塊和分類器。

7、可選地，對所述高光譜圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的高光譜圖像數(shù)據(jù)，具體包括：

8、對所述高光譜圖像數(shù)據(jù)進(jìn)行歸一化處理，得到歸一化后的高光譜圖像數(shù)據(jù)；

9、對歸一化后的高光譜圖像數(shù)據(jù)進(jìn)行降維處理，得到預(yù)處理后的高光譜圖像數(shù)據(jù)。

10、可選地，將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到多粒度混合高光譜圖像分類模型中，得到高光譜圖像的分類結(jié)果，具體包括：

11、將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到所述輕量級(jí)多粒度光譜空間特征提取模塊中，得到高光譜圖像的多粒度特征；

12、將高光譜圖像的多粒度特征輸入到所述多頭空譜注意力模塊中，得到高光譜圖像的深層空譜特征；

13、將高光譜圖像的深層空譜特征輸入到所述分類器中，得到高光譜圖像的分類結(jié)果。

14、可選地，所述輕量級(jí)多粒度光譜空間特征提取模塊包括：二維卷積模塊、串行二維最大池化模塊、光譜注意力模塊和深度可分離卷積；

15、所述二維卷積模塊用于提取所述高光譜圖像的淺層特征，得到淺層特征圖；

16、所述串行二維最大池化模塊用于基于所述淺層特征圖提取多尺度特征，得到多尺度特征圖；

17、所述光譜注意力模塊用于為所述多尺度特征圖的各個(gè)光譜通道分配光譜權(quán)重，以學(xué)習(xí)光譜維間的關(guān)聯(lián)性；

18、所述深度可分離卷積用于基于所述多尺度特征圖以及光譜權(quán)重分離光譜特征和空間特征，生成不同粒度的高光譜圖像塊序列。

19、可選地，將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到所述輕量級(jí)多粒度光譜空間特征提取模塊中，得到高光譜圖像的多粒度特征，具體包括：

20、將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到所述輕量級(jí)多粒度光譜空間特征提取模塊中，得到不同粒度的高光譜圖像塊序列；

21、對不同粒度的高光譜圖像塊序列進(jìn)行編碼，得到所述高光譜圖像的多粒度特征。

22、可選地，所述多頭空譜注意力模塊用于捕獲所述高光譜圖像的多粒度特征間的全局依賴關(guān)系；所述多頭空譜注意力模塊包括二維轉(zhuǎn)置卷積模塊、通道注意力模塊和多頭注意力模塊。

23、第二方面，本申請?zhí)峁┝艘环N多粒度混合高光譜圖像分類系統(tǒng)，以用于實(shí)施上述提供的多粒度混合高光譜圖像分類方法；所述多粒度混合高光譜圖像分類系統(tǒng)包括：

24、數(shù)據(jù)獲取模塊，用于獲取高光譜圖像數(shù)據(jù)；

25、數(shù)據(jù)預(yù)處理模塊，用于對所述高光譜圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的高光譜圖像數(shù)據(jù)；

26、數(shù)據(jù)分類模塊，用于將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到多粒度混合高光譜圖像分類模型中，得到高光譜圖像的分類結(jié)果；所述多粒度混合高光譜圖像分類模型包括輕量級(jí)多粒度光譜空間特征提取模塊、多頭空譜注意力模塊和分類器。

27、第三方面，本申請?zhí)峁┝艘环N計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)上述提供的多粒度混合高光譜圖像分類方法的步驟。

28、第四方面，本申請?zhí)峁┝艘环N計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述提供的多粒度混合高光譜圖像分類方法的步驟。

29、第五方面，本申請?zhí)峁┝艘环N計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述提供的多粒度混合高光譜圖像分類方法的步驟。

30、根據(jù)本申請?zhí)峁┑木唧w實(shí)施例，本申請公開了以下技術(shù)效果：

31、本申請?zhí)峁┝艘环N多粒度混合高光譜圖像分類方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品，通過采用包括輕量級(jí)多粒度光譜空間特征提取模塊、多頭空譜注意力模塊的多粒度混合高光譜圖像分類模型，可以有效提取和融合高光譜圖像特征，以得到高光譜圖像的分類結(jié)果，減少計(jì)算復(fù)雜度，提高模型泛化能力，進(jìn)而提高分類性能。

技術(shù)特征：

1.一種多粒度混合高光譜圖像分類方法，其特征在于，所述多粒度混合高光譜圖像分類方法包括：

2.根據(jù)權(quán)利要求1所述的多粒度混合高光譜圖像分類方法，其特征在于，對所述高光譜圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的高光譜圖像數(shù)據(jù)，具體包括：

3.根據(jù)權(quán)利要求1所述的多粒度混合高光譜圖像分類方法，其特征在于，將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到多粒度混合高光譜圖像分類模型中，得到高光譜圖像的分類結(jié)果，具體包括：

4.根據(jù)權(quán)利要求3所述的多粒度混合高光譜圖像分類方法，其特征在于，所述輕量級(jí)多粒度光譜空間特征提取模塊包括：二維卷積模塊、串行二維最大池化模塊、光譜注意力模塊和深度可分離卷積；

5.根據(jù)權(quán)利要求4所述的多粒度混合高光譜圖像分類方法，其特征在于，將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到所述輕量級(jí)多粒度光譜空間特征提取模塊中，得到高光譜圖像的多粒度特征，具體包括：

6.根據(jù)權(quán)利要求1所述的多粒度混合高光譜圖像分類方法，其特征在于，所述多頭空譜注意力模塊用于捕獲所述高光譜圖像的多粒度特征間的全局依賴關(guān)系；所述多頭空譜注意力模塊包括二維轉(zhuǎn)置卷積模塊、通道注意力模塊和多頭注意力模塊。

7.一種多粒度混合高光譜圖像分類系統(tǒng)，其特征在于，所述多粒度混合高光譜圖像分類系統(tǒng)用于實(shí)施如權(quán)利要求1-6任意一項(xiàng)所述的多粒度混合高光譜圖像分類方法；所述多粒度混合高光譜圖像分類系統(tǒng)包括：

8.一種計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)權(quán)利要求1-6中任一項(xiàng)所述的多粒度混合高光譜圖像分類方法。

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-6中任一項(xiàng)所述的多粒度混合高光譜圖像分類方法。

10.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，其特征在于，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-6中任一項(xiàng)所述的多粒度混合高光譜圖像分類方法。

技術(shù)總結(jié)
本申請公開了一種多粒度混合高光譜圖像分類方法、系統(tǒng)、設(shè)備及介質(zhì)，涉及圖像處理領(lǐng)域。該方法包括：獲取高光譜圖像數(shù)據(jù)；對高光譜圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的高光譜圖像數(shù)據(jù)；將預(yù)處理后的高光譜圖像數(shù)據(jù)輸入到多粒度混合高光譜圖像分類模型中，得到高光譜圖像的分類結(jié)果；多粒度混合高光譜圖像分類模型包括輕量級(jí)多粒度光譜空間特征提取模塊、多頭空譜注意力模塊和分類器。本申請能夠減少計(jì)算復(fù)雜度，提高模型泛化能力，進(jìn)而提高光譜圖像的分類性能。

技術(shù)研發(fā)人員：趙曉楓,鄭超,馬鋆懿,丁遙,張志利,李洪才,梁豐
受保護(hù)的技術(shù)使用者：中國人民解放軍火箭軍工程大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/28