(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211300601.5 (22)申请日 2022.10.24 (71)申请人 重庆工商大 学 地址 400067 重庆市南岸区学府大道19号 (72)发明人 张会均　林为琴　熊炫睿　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王诗思 (51)Int.Cl. G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种高光谱图像分类方法 (57)摘要 本发明涉及图像 分类领域， 特别涉及一种高 光谱图像分类方法包括： 利用FPCA和1*1*d的三 维卷积核对高光谱图像数据进行联合降维处理 得到最终降维高光谱图像数据； 将最终降维高光 谱图像数据中的任意一个像素点作为中心点沿 着所有光谱维度取不同尺度大小的邻域， 得到不 同尺度的邻域像素块； 根据不同尺度的邻域像素 块利用训练好的高光谱图像分类模型对高光谱 图像进行分类； 输出分类结果； 其中， 所述高光谱 图像分类模型包括： 多个3DCNN层、 卷积块注意权 重模块、 全连接层； 本发明考虑了高光谱图像数 据的光谱特征、 空间特征和空间光谱信息， 并通 过卷积块注意权重模块计算空间光谱信息的权 重， 提高了对高光谱图像分类的准确性。 权利要求书2页 说明书5页 附图3页 CN 115457336 A 2022.12.09 CN 115457336 A 1.一种高光谱图像分类方法， 其特 征在于， 包括以下步骤： S1： 利用FPCA和1*1*d的三维卷积核对高光谱图像数据进行联合降维处理得到最终降 维高光谱图像数据； S2： 将最终降维高光谱图像数据中的任意一个像素点作为中心点沿着所有光谱维度 取 不同尺度大小的邻域， 得到不同尺度的邻域像素块； S3： 根据不同尺度的邻域像素块利用训练好的高光谱图像分类模型对高光谱图像进行 分类； 输出分类结果； 其中， 所述高光谱图像分类模型包括： 多个不同尺度的3DCNN层、 卷积 块注意权 重模块、 全连接层； 所述高光谱图像分类模型的训练过程包括： 步骤1： 获取具有标签信 息的原始高光谱图像数据， 所述标签信 息为原始高光谱图像数 据的类别； 步骤2： 根据原 始高光谱图像数据得到不同尺度的原 始邻域像素块； 步骤3： 根据原始邻域像素块的尺度选取对应尺度的3DCNN层对原始邻域像素块进行特 征提取， 得到原 始邻域像素块的第二空间光谱特 征； 步骤4： 将不同尺度原始邻域像素块的第二空间光谱特征沿光谱维度进行特征拼接得 到第一空间光谱特 征图； 步骤5： 将第一空间光谱特征图输入卷积块注意权重模块利用注意力机制计算第一空 间光谱特 征图的通道 注意映射； 步骤6： 根据第一空间光谱特征图的通道注意映射和第一空间光谱特征图计算得到第 二空间光谱特 征图； 步骤7： 将第 二空间光谱特征图输入全连接层进行分类； 得到原始高光谱图像数据的分 类结果； 步骤8： 根据原始高光谱图像数据的分类结果和原始高光谱图像数据的标签信息构建 高光谱图像分类模型 的损失函数， 通过反向传播的方式调节高光谱图像分类模型 的参数， 完成高光谱图像分类模型的训练。 2.根据权利 要求1所述的一种高光谱图像分类方法， 其特征在于， 所述利用FPCA和1*1* d的三维卷积核对高光谱图像数据进行 联合降维处 理包括： S11： 采用FPCA对高光谱图像数据进行降维， 得到第一降维高光谱图像数据 其中， M为高光谱图像的宽度， N为高光谱图像的高度， L1为第一降维高光谱 图像数据的光谱波段 数； S12： 采用1*1*d的三维卷积核对高光谱图像数据进行降维， 得到第二降维高光谱图像 数据 其中， M为高光谱图像的宽度， N为高光谱图像的高度， L2为第二降维高 光谱图像数据的光谱波段 数； S13： 将第一降维高光谱图像数据和第二降维高光谱图像数据进行特征融合得到最终 降维高光谱图像数据X∈RM*N*B， 其中， M为高光谱图像的宽度， N为高光谱图像的高度， B＝L1+ L2为最终降维高光谱图像数据的光谱波段 数量。 3.根据权利要求1所述的一种高光谱图像分类方法， 其特征在于， 每个3DCNN层均包括 第一卷积核、 第二卷积核； 不同尺度的3DCNN层的第一卷积核为不同尺度的三维卷积核； 不权　利　要　求　书 1/2 页 2 CN 115457336 A 2同尺度的3DCN N层的第二卷积核为相同尺度的三维卷积核； 所述根据原始邻域像素块的尺度选取对应尺度的3DCNN层对原始邻域像素块进行特征 提取， 得到原 始邻域像素块的第二空间光谱特 征包括； S31： 根据原始邻域像素块的尺度通过对应尺度的第一卷积核对原始邻域像素块进行 特征提取， 得到原 始邻域像素块的第一空间光谱特 征； S32： 将原始邻域像素块的第一空间光谱特征通过第二卷积核进行特征提取得到原始 邻域像素块的第二空间光谱特 征。 4.根据权利要求1所述的一种高光谱图像分类方法， 其特征在于， 所述卷积块注意权重 模块包括： 所述卷积块注意权重模块包括： 全局最大池化层、 全局平均池化层Sigmoid激活 函数以及1*1*k的一维卷积核； 所述计算第一空间光谱特 征图的通道 注意映射的具体步骤 包括： S51： 将第一空间光谱特征图分别通过全局最大池化层、 全局平均池化层计算得到第一 空间光谱特 征图的全局最大池化特 征和全局平均池化特 征； S52： 将全局最大池化特征进行转置， 再与全局平均池化特征进行矩阵相乘得到二阶统 计特征； S53： 在二阶统计特 征的列维度上进行平均运 算得到二阶聚合特 征； S54： 将二阶聚合特征通过1*1*k的一维卷积核进行卷积运算后输入Sigmoid激活函数 计算得到第一空间光谱特 征图的通道 注意映射。 5.根据权利要求1所述的一种高光谱图像分类方法， 其特征在于， 所述根据第 一空间光 谱特征图的通道 注意映射和第一空间光谱特 征图计算得到第二空间光谱特 征图： 将第二空间光谱特征图的通道注意映射和第二空间光谱特征图进行逐像素相加第二 空间光谱特 征图。 6.根据权利要求1所述的一种高光谱图像分类方法， 其特征在于， 所述将第 二空间光谱 特征图输入 全连接层进行分类包括： 将第二空间光谱特征图输入Flatten层进行全局池化， 然后将得到的一维向量依次输 入到两个全连接层， 两个全连接层的节 点数分别设为256和128， 为了防止模 型过拟合， 两个 全连接层都使用比例为0.4的Dropout， 最后， Softmax分类层的节点数与原始高光谱图像数 据的类别数相同。 7.根据权利要求1所述的一种高光谱图像分类方法， 其特征在于， 所述高光谱图像分类 模型的损失函数包括： 其中， y＝[y1,..yi.,yC]表示原始高光谱图像 数据的标签信息， 当样本属于第i类时yi＝ 1， 否则yi＝0； Pi表示原始高光谱图像数据属于第i类的概率； C是表示原始高光谱图像数据 的类别总数。权　利　要　求　书 2/2 页 3 CN 115457336 A 3