CN116580252B 基于多尺度密集连接和特征聚合网络的高光谱图像分类方法 （西安电子科技大学）

基于多尺度密集连接和特征聚合网络的高本发明提出了一种基于多尺度密集连接和2三融合层和concatenate层并联，第三激活函数层分别与第三融合层和concatenate层并二至第五卷积层的卷积核尺寸均设置为3x3，卷积核七激活函数层级联；将第七卷积层的卷积核尺寸设置第四卷积层的卷积核尺寸均设置为3x3；3将训练集输入到多尺度密集连接和特征聚合网络中，使用交叉熵入到训练好的多尺度密集连接和特征聚合网络中，输出该高光谱图像中各像素的类别标2.根据权利要求1所述的基于多尺度密集连接和特征聚合的高光谱图像分类方法，其3.根据权利要求1所述的基于多尺度密集连接和特征聚合的高光谱图像分类方法，其数据投影到kxb组成的新坐标系中，得到降维后的4.根据权利要求1所述的基于多尺度密集连接和特征聚合的高光谱图像分类方法，其5.根据权利要求1所述的基于多尺度密集连接和特征聚合的高光谱图像分类方法，其46.根据权利要求1所述的基于多尺度密集连接和特征聚合的高光谱图像分类方法，其7.根据权利要求1所述的基于多尺度密集连接和特征聚合的高光谱图像分类方法，其8.根据权利要求1所述的基于多尺度密集连接和特征聚合的高光谱图像分类方法，其5[0002]高光谱图像是一种通过高光谱成像仪器对图像空间范围内地物目标在不同波长也面临着如何在有限的训练样本情况下提高分类精度神经网络RNN(RecurrentNeuralNetwork)等模型被广泛应用于高光谱图像分类任务中。[0005]Roy等人在其发表的论文“HybridSN:Exploring3_D–2_DCNNFeatureHierarchyforHyperspectralImageClassification”(IEEETransactionsonGeoscienceandRemoteSensing,2020:277_281)中提出了一种结合3D_CNN和2D_CNN的混合光谱卷积网络(HybridSN)的高光谱图像分类方法。该方法结合了二维和三维卷积的优6多尺度特征。并且通过在特征提取网络中加入注意力机制从而使模型更加关注重要特征。本发明构建的多层次特征聚合模块可以将多个多尺度特征提取模块提取的不同层次特征卷积层，第二规范层，第二激活函数层，第三卷积层，第三规范层，第三激活函数层，concatenate层，第四卷积层级联；同时，第一激活函数层和第二激活函数层还分别与7三融合层和concatenate层并联，第三激活函数层分别与第三融合层和concatenate层并8卷积层，第二规范层，第二激活函数层，第三卷积层，第三规范层，第三激活函数层，concatenate层，第四卷积层级联；同时，第一激活函数层和第二激活函数层还分别与9三融合层和concatenate层并联，第三激活函数层分别与第三融合层和concatenate层并后用每个波段所有像素值减去该波段的平均值后，再除以该波段的标准差完成中心化操[0052]所述主成分分析降维首先计算均值方差归一化后的高光[0053]所述零值边缘填充操作对降维后的高光谱图像在高度和宽度维度的边缘填充零×21的区域作为邻域块；然后将生成的10249个邻域块按其中心像素点类别分配到相应的[0059]第二步，使用下述的交叉熵函数计算预测标签向量和真实标签向量之间的损失[0072]IndianPines数据集是一幅大小为145×145，空间分辨率为20m的高光谱遥感图空间残差网络SSRN分类方法、注意力机制和权值共享网络MNWA分类方法)分别对输入的[0079]现有技术支持向量机SVM分类方法是指，Melgani等人在“Classificationofhyperspectralremotesensingimageswithsupportvectormachines,IEEE[0080]现有技术光谱_空间残差网络SSRN分类方法是指，ZilongZhong等人在“Spectral_SpatialResidualNetworkforHyperspectralImageClassification:A3_DDeepLearningFramework,IEEETransactionsonGeoscienceandRemoteSensing,[0086]用上述评价指标对本发明与三种现有技术在IndianPines高光谱数据集的分类[0089]结合表2可以看出，本发明的总体准确度OA为99.13平均准确度AA为98.57%,