一种基于多方向动态路由的高光谱图像分类方法

本发明属于遥感图像处理，具体的说是一种基于多方向动态路由的高光谱图像分类方法。

背景技术：

1、高光谱遥感是一种常用的遥感类型。高光谱图像是由卫星、航空器或其他空中载具上搭载的高光谱成像仪对地面进行拍摄和成像得到的特殊图像，它比普通图像包含有更多波段数和更高的分辨率，且在某一波段内可以连续成像，包含有地物大量的空间信息和光谱信息，在城市建设、海洋观测、精准农业、防灾减灾、资源探测等领域具有重要作用。高光谱图像分类是高光谱图像处理技术的重要手段之一，其根据获得的样本特征对图像中的每个像元进行判别，划分其所属的类别。与传统遥感图像分类相比，高光谱图像分类有着以下难点：1、数据维度高，训练样本不足；2、波段多，波段间的相关性高；3、不同类别的样本数量不平衡；4、数据量大，往往是单波段遥感图像的几十倍甚至几百倍，处理复杂度高；5、存在混合像元问题。因此针对常规遥感的处理模型和方法不能满足高光谱图像分类的需要，需要针对高光谱遥感图像的特点，在模式识别，人工智能，图像处理等技术的基础上，进一步发展高光谱遥感图像分类技术，进而有效探测和识别传统遥感中很难区分地地物类别。

2、近年来，高光谱图像分类技术主要是基于深度学习的高光谱遥感影像地物分类方法，其最有代表性的是基于卷积神经网络方法，该方法可以提取遥感图像中的高级语义特征，分类效果也比较好。卷积网络依靠固定尺寸的滤波核在空间光谱域以滑动遍历的方式提取有效表示，通过逐层抽象的网络结构实现从低级纹理信息到高级语义信息的转换。然而，卷积网络以正方形规则窗口进行卷积运算，无法排除窗口内不利信息的干扰，导致存在于不同地物类别间的观测像元难以得到有效区分；传统网络在单个网络体系结构中表示所有实例，缺乏对数据的适应性，提取特征能力有限，并且网络过于关注类内匀质样本的特征提取、忽略对边界样本复杂空间结构的表征导致其分类精度较低。

技术实现思路

1、本发明是为了解决上述现有技术存在的不足之处，提出一种基于多方向动态路由的高光谱图像分类方法，以期能加强网络对样本边界的关注，从而获得具有更高判别能力的空间-光谱特征，实现高光谱图像的精确分类。

2、本发明为达到上述发明目的，采用如下技术方案：

3、本发明一种基于多方向动态路由的高光谱图像分类方法的特点在于，包括如下步骤：

4、步骤1、获取高光谱图像数据集：

5、获取覆盖 c类地物类型的高光谱图像公共数据集 h={ h1， h2，…， h p，…， h q}，其中， h p∈ r m× n× b为覆盖 c类地物类型的第 p个高光谱图像， m表示高光谱图像的长度， n表示高光谱图像的宽度， b表示高光谱图像的通道数；将 h p的真实标签记为 t p； p表示 h中高光谱图像的总数；

6、步骤2、构建多方向动态路由网络，包括：初始化层、动态路由模块以及一个分类器；

7、步骤2.1：所述初始化层由一个预处理模块和一个cell模块组成；

8、其中，预处理模块是由 z个stem块依次串联组成，且每个stem块由一个卷积层、一个bn层与relu激活函数依次串联而成；

9、cell模块由一个gate模块和一个多方向卷积模块构成，其中，gate模块由一个卷积层、一个relu激活函数、一个自适应平均池化层和一个tanh激活函数依次串联而成；多方向卷积模块由 q个特征分布感知的卷积核构成，记为 k multi={ k 1 multi， k 2 multi，…， k  q multi，… k  q multi}，其中， k  q multi表示第 q个方向的卷积核； q表示卷积核的数量；

10、将第 p个高光谱图像 h p输入到预处理模块中，并依次通过 z个stem块的降维处理后，得到第 p个降维后的抽象特征图 h' p∈ r m× n× b， b为降维后的通道数；

11、将 h' p输入所述cell模块的gate模块中，并根据 h' p中各类特征的分布情况，生成 q个0-1之间的权值 w p={ w p,1， w p,2，…， w p, q，…， w p, q}，其中， w p, q表示 h' p中第 q个权值；

12、将 h' p输入多方向卷积模块中，并利用式(1)得到 q个边界特征清晰的特征图 f p={ f p,1， f p,2，…， f p, q，…， f p, q}，其中， f p, q表示 h' p经过第 q个方向卷积处理后的特征；

13、 f p={ k 1 multi× h' p， k 2 multi× h' p，…， k  q multi× h' p，… k  q multi× h' p} (1)

14、将 w p和 f p对应相乘后，得到第 p个降维后的抽象特征图 h' p的加权特征 f p={ f p,1， f p,2，…， f p, q，…， f p, q}，其中， f p, q为 h' p的第 q个加权特征；

15、步骤2.2：所述动态路由模块共有 i层结构，其中，第 i层结构有 q个cell模块， i=1 ,2 ,…,i； q=1 ,2 ,…,q；

16、当 i=1时，将 f p作为第 i层结构的输入，记为 x i p，并输入到所述动态路由模块的第 i层结构中的 q个cell模块分别进行处理，相应输出第 i层结构的 q个边界特征清晰的特征图 f  i p={ f  i p,1， f  i p,2，…， f  i p, q，…， f  i p, q}，其中， f  i p, q表示 h' p经由第 i层结构中第 q个cell模块处理后的特征集合，且 f  i p, q={ f  i p, q,1， f  i p, q,2，…， f  i p, q, k，…， f  i p, q, q}， f  i p, q, k表示第 i层结构中第 q个cell模块的第 k个方向的特征；

17、当 i=2 ,…, i时，将第 i-1层结构中 q个cell模块的第 k个方向的特征相加后，构成第 i层结构的第 k个cell模块的输入特征，记为，并经第 k个cell模块的处理后，输出 h' p在第 i层结构的第 k个cell模块上输出的特征 f  i p, k={ f  i p, k,1， f  i p, k,2，…， f  i p, k, q，…， f  i p, k, q}，从而对第 i-1层结构中的 q个cell模块输出的特征{ f  i-1 p,1， f  i-1 p,2，…， f  i-1 p, k，…， f  i-1 p, q}进行处理，得到第 i层结构中的 q个cell模块的输入特征{ x  i p,1， x  i p,2，…， x  i p, k，…， x  i p, q}并进行处理，相应得到第 i层结构中 q个cell模块输出的特征{ f  i p,1， f  i p,2，…， f  i p, k，…， f  i p, q}，其中， f  i p, k, q表示第 i层结构中第 k个cell模块输出的第 q个方向的特征， f  i-1 p, k表示第 i-1层结构中的第 k个cell模块输出的特征， x  i p, k表示第 i层结构中的第 k个cell模块的输入特征，且， f  i-1 p, q, k表示第 i-1层结构中的第 q个cell模块输出的第 k个方向的特征； f  i p, k表示第 i层结构中第 k个cell模块输出的特征；

18、步骤2.3：分类器由一个卷积分类层和softmax函数构成；

19、将{ f  i p,1， f  i p,2，…， f  i p, k，…， f  i p, q}求和后输入所述分类器中进行处理，得到 h' p在每个类别的预测概率 y p={ y 1 p， y 2 p，…， y  c p，…， y  c p}，其中， y  c p表示 h' p为第 c类地物类型的概率；

20、步骤3：训练模型：

21、利用式(2)构建多类别交叉熵损失函数 l，并利用梯度下降法对多方向动态路由网络进行训练，同时计算损失函数 l以更新网络参数，直至 l收敛时停止训练，从而得到最优多方向动态路由分类模型，用于对高光谱图像进行精确分类；

22、   (2)。

23、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述高光谱图像分类方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

24、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述高光谱图像分类方法的步骤。

25、与现有技术相比，本发明的有益效果在于：

26、1、本发明利用gate门控机制来进行路由，在门中采用轻量级卷积运算来学习与数据相关的向量并生成权值，根据权值去选择路由路径，路由路径随着输入的不同而变化，也就是适应数据，并且每条路径都可以单独考虑，而不是只选择相对重要的一条进行传播，从而能够减少无关信息的干扰，选择最具区分度的特征。

27、2、本发明中的多方向卷积模块通过选择卷积核的不同半窗将待处理像元置于卷积核的不同边缘实施卷积，能够减轻全窗口卷积跨边界采样导致的信息混合和扩散问题，并且在未知数据实际分布的情况下应用不同方向的卷积核对同一位置的不同邻域范围进行采样计算，每一个卷积核负责一种空间结构信息，进而可以精确地预测边缘，从而提升了样本边界特征的提取能力。

28、3、本发明利用cell模块构成多方向动态路由网络，使网络能够在推理过程中生成与数据相关的转发路径，自适应地去分配信息流，动态地调整网络中神经元之间的连接和权重，适应不同样本特征分布，学习数据之间的相关性和特征之间的关联性，以更好地捕获高光谱图像中的空间-光谱特征，从而提高了分类的准确性和鲁棒性。

技术特征：

1.一种基于多方向动态路由的高光谱图像分类方法，其特征在于，包括如下步骤：

2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述高光谱图像分类方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述高光谱图像分类方法的步骤。

技术总结
本发明公开了一种基于多方向动态路由的高光谱图像分类方法，包括：1、获取高光谱图像公共数据集；2、对数据集进行降维处理及初步特征提取，并利用Cell模块构建多方向动态路由网络，取初始化层输出的特征作为网络输入，经由网络处理得到具有判别性的特征，将其输入分类器中得到地物类别预测概率；3、构建多类别交叉熵损失函数，利用梯度下降法对网络进行训练，同时计算损失函数以更新网络参数，直至损失函数收敛时停止训练，从而得到最优模型，完成高光谱图像精确分类。本发明能提高高光谱图像分类的精度，减少边界误分现象，从而能获得优越的分类结果。

技术研发人员：董高成,刘倩,马慧敏,焦俊,杨帅,蒋婷婷,辜丽川
受保护的技术使用者：安徽农业大学
技术研发日：
技术公布日：2024/9/23