基于注意力二阶池化的高光谱遥感图像分类方法及系统

本发明涉及图像分类，尤其涉及一种基于注意力二阶池化的高光谱遥感图像分类方法、系统、终端及计算机可读存储介质。

背景技术：

1、近年来，高光谱图像分类技术取得了显著进步。高光谱图像分类通过利用高光谱数据分析每个像素的光谱和空间信息，判断地物所属的类别。这一进展归功于硬件、算法和数据资源的全面提升，不断进步的高光谱相机技术提供了更准确、更丰富的数据。深度学习等机器学习算法的广泛应用有效提高了分类精度和效率。同时，高光谱图像数据的丰富和易于获取为该技术的研发和应用提供了基础。在地学、农业、环境监测和军事侦察等领域，高光谱图像分类技术得到广泛应用。从地物分类和地质勘探到病虫害监测和环境污染监测，该技术为多个行业带来了显著便利。

2、随着深度学习技术的发展，具有高阶统计量的cnn(卷积神经网络)在计算机视觉和模式识别方面显示出了很大的潜力，特别是二阶池化，二阶池化可以聚合特征内部或特征之间的二阶统计量，可以有效地挖掘不同通道之间的相关信息，现有的研究证实了二阶池化的有效性。然而，二阶池化通常与传统的cnn架构相集成，这需要繁琐的参数优化，另一方面，二阶池化忽略了图块特征内在的空间异质性，在这种情况下，直接将二阶池化应用于hsi(高光谱遥感图像)分类可能会导致性能不佳，导致最终的分类结果不准确。

3、因此，现有技术还有待于改进和发展。

技术实现思路

1、本发明的主要目的在于提供一种基于注意力二阶池化的高光谱遥感图像分类方法、系统、终端及计算机可读存储介质，旨在解决现有技术的通过二阶池化进行高光谱遥感图像分类忽略了图块特征内在的空间异质性，导致最终的分类结果不准确的问题。

2、为实现上述目的，本发明提供一种基于注意力二阶池化的高光谱遥感图像分类方法，所述基于注意力二阶池化的高光谱遥感图像分类方法包括如下步骤：

3、获取高光谱遥感图像，根据所述高光谱遥感图像获取多个规格不同的特征图块，并对每个所述特征图块分别进行批归一化处理，得到每个所述特征图块对应的一阶特征，并根据每个所述一阶特征得到对应的二阶池化特征；

4、根据每个所述一阶特征计算每个所述特征图块对应的相关矩阵，并根据每个所述相关矩阵计算每个所述特征图块对应的空间注意力权重矩阵；

5、获取每个所述特征图块对应的嵌入特征，分别根据每个所述嵌入特征获取每个所述特征图块对应的光谱基系数矩阵，并根据每个所述光谱基系数矩阵计算每个所述特征图块对应的光谱注意力权重矩阵；

6、分别根据每个所述特征图块对应的空间注意力权重矩阵和光谱注意力权重矩阵计算对应的注意力权重矩阵，并根据每个所述特征图块对应的注意力权重矩阵和二阶池化特征计算对应的注意力二阶池化特征；

7、分别对每个所述注意力二阶池化特征进行归一化操作和向量化操作，得到多个一维特征向量，并将所有所述一维特征向量进行融合，得到最终融合向量，并根据所述最终融合向量进行分类，得到所述高光谱遥感图像的分类结果。

8、可选地，所述的基于注意力二阶池化的高光谱遥感图像分类方法，其中，所述获取高光谱遥感图像，根据所述高光谱遥感图像获取多个规格不同的特征图块，并对每个所述特征图块分别进行批归一化处理，得到每个所述特征图块对应的一阶特征，并根据每个所述一阶特征得到对应的二阶池化特征，具体包括：

9、获取待处理的高光谱遥感图像，通过主成分分析法对所述高光谱遥感图像进行降维操作，得到降维图像；

10、根据多个不同规格的预设移动窗口对所述降维图像进行特征提取操作，得到多个规格不同的特征图块；

11、分别对每个所述特征图块进行批归一化处理，得到每个所述特征图块对应的一阶特征；

12、分别根据每个所述特征图块的一阶特征进行计算，得到每个所述特征图块对应的二阶池化特征。

13、可选地，所述的基于注意力二阶池化的高光谱遥感图像分类方法，其中，所述根据每个所述一阶特征计算每个所述特征图块对应的相关矩阵，并根据每个所述相关矩阵计算每个所述特征图块对应的空间注意力权重矩阵，具体包括：

14、通过l2范数分别对每个所述特征图块对应的一阶特征进行依赖减弱处理，得到多个减弱一阶特征；

15、分别根据每个所述减弱一阶特征得到每个所述特征图块对应的相关矩阵；

16、分别获取每个所述相关矩阵的中心像素向量，并计算每个所述相关矩阵中所有相邻像素向量到对应的中心像素向量之间的余弦距离，得到每个所述相关矩阵对应的多个余弦距离；

17、对每个所述相关矩阵的多个余弦距离分别进行归一化处理，得到每个所述相关矩阵对应的多个第一单位和权；

18、根据每个所述相关矩阵对应的多个第一单位和权分别构造每个所述特征图块对应的空间注意力权重矩阵。

19、可选地，所述的基于注意力二阶池化的高光谱遥感图像分类方法，其中，所述获取每个所述特征图块对应的嵌入特征，分别根据每个所述嵌入特征获取每个所述特征图块对应的光谱基系数矩阵，具体包括：

20、将每个所述特征图块输入预设分类器，所述预设分类器根据每个所述特征图块输出对应的嵌入特征；

21、通过l1范数分别对每个所述嵌入特征进行稀疏约束处理，得到多个稀疏嵌入特征；

22、将所有所述稀疏嵌入特征输入预设编码器，所述预设编码器根据每个所述稀疏嵌入特征输出对应的光谱基系数矩阵。

23、可选地，所述的基于注意力二阶池化的高光谱遥感图像分类方法，其中，所述根据每个所述光谱基系数矩阵计算每个所述特征图块对应的光谱注意力权重矩阵，具体包括：

24、分别获取每个所述光谱基系数矩阵中的中心像素光谱基系数向量；

25、计算每个所述光谱基系数矩阵中所有相邻像素光谱基系数向量到对应的中心像素光谱基系数向量之间的余弦距离，得到每个所述光谱基系数矩阵对应的多个余弦距离；

26、对每个所述光谱基系数矩阵的多个余弦距离分别进行归一化处理，得到每个所述光谱基系数矩阵对应的多个第二单位和权；

27、根据每个所述光谱基系数矩阵对应的多个第二单位和权分别构造每个所述特征图块对应的光谱注意力权重矩阵。

28、可选地，所述的基于注意力二阶池化的高光谱遥感图像分类方法，其中，所述分别根据每个所述特征图块对应的空间注意力权重矩阵和光谱注意力权重矩阵计算对应的注意力权重矩阵，并根据每个所述特征图块对应的注意力权重矩阵和二阶池化特征计算对应的注意力二阶池化特征，具体包括：

29、将每个所述特征图块对应的空间注意力权重矩阵和光谱注意力权重矩阵进行融合计算，得到每个所述特征图块对应的注意力权重矩阵；

30、根据每个所述特征图块对应的注意力权重矩阵和二阶池化特征进行计算，得到每个所述特征图块对应的初步注意力二阶特征；

31、将每个所述特征图块对应的初步注意力二阶特征和二阶池化特征进行融合处理，得到每个所述特征图块对应的注意力二阶池化特征。

32、可选地，所述的基于注意力二阶池化的高光谱遥感图像分类方法，其中，所述分别对每个所述注意力二阶池化特征进行归一化操作和向量化操作，得到多个一维特征向量，并将所有所述一维特征向量进行融合，得到最终融合向量，并根据所述最终融合向量进行分类，得到所述高光谱遥感图像的分类结果，具体包括：

33、分别对每个所述注意力二阶池化特征进行归一化操作，并分别对每个归一化操作输出的特征进行向量化操作，得到每个所述注意力二阶池化特征对应的一维特征向量；

34、将所有所述一维特征向量进行特征融合处理，得到最终融合向量；

35、通过预设分类函数对所述最终融合向量进行分类，得到所述高光谱遥感图像的分类结果。

36、此外，为实现上述目的，本发明还提供一种基于注意力二阶池化的高光谱遥感图像分类系统，其中，所述基于注意力二阶池化的高光谱遥感图像分类系统包括：

37、特征获取模块，用于获取高光谱遥感图像，根据所述高光谱遥感图像获取多个规格不同的特征图块，并对每个所述特征图块分别进行批归一化处理，得到每个所述特征图块对应的一阶特征，并根据每个所述一阶特征得到对应的二阶池化特征；

38、第一计算模块，用于根据每个所述一阶特征计算每个所述特征图块对应的相关矩阵，并根据每个所述相关矩阵计算每个所述特征图块对应的空间注意力权重矩阵；

39、第二计算模块，用于获取每个所述特征图块对应的嵌入特征，分别根据每个所述嵌入特征获取每个所述特征图块对应的光谱基系数矩阵，并根据每个所述光谱基系数矩阵计算每个所述特征图块对应的光谱注意力权重矩阵；

40、注意力二阶池化模块，用于分别根据每个所述特征图块对应的空间注意力权重矩阵和光谱注意力权重矩阵计算对应的注意力权重矩阵，并根据每个所述特征图块对应的注意力权重矩阵和二阶池化特征计算对应的注意力二阶池化特征；

41、分类预测模块，用于分别对每个所述注意力二阶池化特征进行归一化操作和向量化操作，得到多个一维特征向量，并将所有所述一维特征向量进行融合，得到最终融合向量，并根据所述最终融合向量进行分类，得到所述高光谱遥感图像的分类结果。

42、此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于注意力二阶池化的高光谱遥感图像分类程序，所述基于注意力二阶池化的高光谱遥感图像分类程序被所述处理器执行时实现如上所述的基于注意力二阶池化的高光谱遥感图像分类方法的步骤。

43、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于注意力二阶池化的高光谱遥感图像分类程序，所述基于注意力二阶池化的高光谱遥感图像分类程序被处理器执行时实现如上所述的基于注意力二阶池化的高光谱遥感图像分类方法的步骤。

44、本发明中，获取高光谱遥感图像，根据所述高光谱遥感图像获取多个规格不同的特征图块，并对每个所述特征图块分别进行批归一化处理，得到每个所述特征图块对应的一阶特征，并根据每个所述一阶特征得到对应的二阶池化特征；根据每个所述一阶特征计算每个所述特征图块对应的相关矩阵，并根据每个所述相关矩阵计算每个所述特征图块对应的空间注意力权重矩阵；获取每个所述特征图块对应的嵌入特征，分别根据每个所述嵌入特征获取每个所述特征图块对应的光谱基系数矩阵，并根据每个所述光谱基系数矩阵计算每个所述特征图块对应的光谱注意力权重矩阵；分别根据每个所述特征图块对应的空间注意力权重矩阵和光谱注意力权重矩阵计算对应的注意力权重矩阵，并根据每个所述特征图块对应的注意力权重矩阵和二阶池化特征计算对应的注意力二阶池化特征；分别对每个所述注意力二阶池化特征进行归一化操作和向量化操作，得到多个一维特征向量，并将所有所述一维特征向量进行融合，得到最终融合向量，并根据所述最终融合向量进行分类，得到所述高光谱遥感图像的分类结果。本发明提升了对高光谱遥感图像的分类准确性。