基于自适应过滤器及特征互补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。

背景技术：

1、随着高光谱遥感技术的快速发展，高光谱图像(hyperspectral images,hsis)已经被应用到越来越多的领域[1]-[2]。例如海岸环境监测[3]-[4]、生态系统保护[5]、农作物监测[6]-[8]、医疗诊断[9]-[10]等。这些应用的前提都需要对高光谱图像中的地物进行精准地识别与分类。

2、在早期被用于高光谱图像分类的方法主要是一些经典的机器学习方法。例如一些利用光谱信息进行分类的方法：距离分类器[11]、最大似然分类器[12]和稀疏表示分类(sparse representation classification,src)[13]。虽然这些方法原理简单并易于实现，但是这些方法过度依赖于手工特征与先验信息，致使其不具有良好的泛化性。此外，仅使用光谱信息进行分类，忽视了空间信息在高光谱图中的重要性，也造成了其分类效果受限。

3、在过去的十几年里，随着深度学习的发展，卷积神经网络(convolutional neuralnetworks,cnns)已经逐渐成为了高光谱图像分类领域的研究热点[14]-[16]。cnns通过训练可以自主的拟合高光谱图像的特征，避免了传统方法的手工特征从而提高了网络的泛化性。在[17]中，一种深度卷积网络被用于高光谱图像分类。由于高光谱图像的每个像素都包含数百个光谱波段并且不同地物所对应的像素的光谱特征存在较大的差异。因此该方法将高光谱图像的每个像素视为一维的语音信号输入，并使用一维卷积神经网络(one-dimensional convolution neural network,1d-cnn)来提取高光谱图像的光谱特征。最后，该方法取得了相比于经典分类器更有竞争力的分类性能。然而，高光谱图像在成像时容易受到外界干扰，不同地物之间的光谱信息并不是理想状态下的完全分离。因此，高光谱图像分类不仅需要提取光谱特征，还需要关注空间特征的提取。在[18]中，一种三维卷积神经网络(three-dimensional convolutional neural network,3d-cnn)被提出。该方法利用3d卷积同时提取his的空间光谱特征，相比于1d-cnn的分类性能有了显著地提高。然而，早期的cnns往往通过直接堆叠卷积层来提升hsi的分类效果，这容易导致网络发生过拟合。为此，一种空谱残差网络(spectral-spatial residual network，ssrn)被提出[19]。ssrn通过残差结构来构建网络，能更好的提取到hsi的深层特征。此外，在[20]中，一种快速的密集连接网络被提出，并通过密集连接使hsi的同一特征得到复用从而避免了网络的过拟合。

4、最近，为了能够提取到hsi的重要特征，一系列的注意力机制[21]-[23]网络已经被应用到高光谱图像分类(hyperspectral image classification,hsic)中。在[24]中，两个不同的分支被分别用于捕获his的空间注意力与光谱注意力，避免了空谱信息的相互干扰。在[25]中，一种双分支双注意力网络(double-branch dual-attention,dbda)被提出。与[24]相似，dbda也是通过两个不同的分支来捕获空间光谱注意力。不同的是dbda通过自适应的自注意力来捕获空谱特征，并获得了更好的分类性能。随后，一种使用网络搜索策略的自注意力网络被提出[26]。该方法利用网络框架搜索策略来确定网络的最优结构以取得最优的分类结果。为了充分地利用高光谱图像的多尺度特征，一种分层残差注意力网络被提出[27]。然而，由于卷积核对空间旋转的敏感，导致了常规的注意力网络在旋转的hsis中的分类性能较差。为此，一种旋转不变注意(rotation-invariant attention network,rian)被提出[28],rian利用校正注意力模块来提取旋转不变的空间光谱注意力，很好地缓解了空间旋转的问题。此外，为捕获高光谱图像内部光谱的双向相关性，一种基于双向长短期记忆的注意力网络被提出[29]。

5、虽然这些方法已经解决了一些问题，但是cnns在hsic的应用中仍然存在着一些挑战：

6、1)cnns感受野受限于卷积核的尺度大小，有限的感受野很难捕获到近距离光谱信息与远距离光谱信息的相互依赖关系。

7、2)尽管注意力机制能抑制一些冗余信息，但是cnns所提取特征中仍然存在一些冗余信息。这些信息会干扰网络的判断，使网络的分类性能受到限制。

技术实现思路

1、本发明的目的是为了解决现有方法未能很好地建立起近距离光谱信息与远距离光谱信息的相互依赖关系，并且冗余信息对网络的干扰未能得到很好地解决的问题，而提出基于自适应过滤器及特征互补网络的高光谱图像分类方法。

2、基于自适应过滤器及特征互补网络的高光谱图像分类方法具体过程为：

3、一、建立基于自适应知识过滤的特征互补网络模型fcan_akf；

4、获得训练好的基于自适应知识过滤的特征互补网络模型fcan_akf；

5、二、将待测高光谱图像输入训练好的基于自适应知识过滤的特征互补网络模型fcan_akf，完成对待测高光谱图像的分类。

6、本发明的有益效果为：

7、为了同时缓解这两个问题，在本发明中，一种基于自适应知识过滤的特征互补网络(feature complementary attention network based on adaptive knowledgefiltering,fcan_akf)被提出。首先，针对cnns感受野受限的问题，一种非局部光谱重组(non-local band regrouping,nbr)策略被设计。nbr通过重组光谱信息来实现近距离光谱信息与远距离光谱信息的交互。此外，两个不同的分支被分别用于提取nbr后的非局部特征和原始图像的局部特征，以实现特征互补。然后，为了抑制冗余信息对网络的干扰，一种双金子塔谱空间注意力(dual pyramid spectral spatial attention,dpssa)模块被提出，用于捕获谱空间注意力。接着一种自适应知识过滤器(adaptive knowledge filter,akf)被设计以进一步去除冗余信息并对重要的特征信息进行增益。

8、本发明的主要贡献包括以下三个部分：

9、为了在有限的感受野下建立高光谱图像的近距离光谱信息与远距离光谱信息的相互依赖关系，一种非局部光谱重组(non-local band regrouping,nbr)策略被提出。此外，两个分支被分别用于提取非局部特征与局部特征，以实现高光谱图像的特征互补。

10、一种双金子塔谱空间注意力(dual pyramid spectral spatial attention,dpssa)模块被设计。dpssa以自相关的方式对谱空间注意力进行建模，并在注意力中嵌入了多尺度的池化金子塔，以减少特征提取时的信息损失。

11、一种自适应知识过滤器(adaptive knowledge filter,akf)被设计。akf能够通过网络的训练迭代自适应地去除冗余信息，并增强有利于分类的特征信息。