(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 202211161120.0 (22)申请日 2022.09.23 (71)申请人 山东锋士信息技 术有限公司 地址 250101 山东省济南市高新 技术产业 开发区舜华路1号齐 鲁软件园6号楼 (72)发明人 孙启玉　刘玉峰　孙平　 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/20(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于空谱双分支卷积网络的高光谱图像分 类方法及设备 (57)摘要 本发明涉及基于空谱双分支卷积网络的高 光谱图像分类方法及设备， 属于遥感图像技术领 域。 方法包步骤： S1.将图像进行标准化预处理； S2.对图像进行一维光谱向量和三维光谱 ‑空间 图像块的裁剪， 并拆分训练集、 验证集和测试集； S3.将图像块输入构建的空间子网分支进行空间 特征提取， 将一维向量图像输入光谱子网分支进 行光谱特征提取； S4.引入权重系数和Sigmoid函 数对得到的空间特征和光谱特征进行自适应光 谱‑空间特征的加权融合； S5.将融合后的特征映 射送入分类器进行像元标签预测， 并根据产生标 签分类概率计算损失值； S6.迭代训练与优化模 型， 获得最终高光谱图像分类映射结果。 该方法 具有高效和优 越的分类性能。 权利要求书2页 说明书7页 附图4页 CN 115249332 A 2022.10.28 CN 115249332 A 1.基于空谱双分支卷积网络的高光谱图像分类方法， 其特 征是， 包括步骤如下： S1.将图像进行 标准化预处理； S2.对图像根据采样分别进行一维光谱向量和三维光谱 ‑空间图像块的裁剪， 并拆分训 练集、 验证集和 测试集； S3.将图像块输入构建的空间子网分支进行空间特征提取， 将一维光谱向量图像输入 光谱子网分支进 行光谱特征提取； 所述的空间子网分支 提取空间特征的步骤包括深度分离 卷积组的空间细化特征提取， 空间细化特征提取后的进一步特征 的提取； 所述的光谱子网 分支提取光谱特征的步骤包括通过卷积组进 行光谱维度方向的特征提取、 利用通道注意力 模块进行通道特 征的强调与抑制、 利用特 征抽象模块进行高阶光谱特 征表示的获取； S4. 引入权重系 数 和Sigmoid函数对得到的空间特征和 光谱特征进行自适应光谱 ‑ 空间特征的加权融合； S5.将融合后的特征映射送入分类器进行像元标签预测， 并根据预测产生标签分类概 率计算损失值； S6. 迭代训练与优化模型， 利用训练好的模型获得最终高光谱图像分类映射结果。 2.根据权利要求1所述的基于空谱双分支卷积网络的高光谱图像分类方法， 其特征是， 步骤S3所述的深度分离卷积组包括一个点卷积组完成通道之间的交互和一个深度卷积组 完成各个通道的空间特征细化， 点卷积组包括逐光谱通道的批归一化、 1 ×1的2D卷积和 LeakyReLU非线性激活函数； 深度卷积组由k ×k的2D卷积和LeakyReLU非线性激活函数组 成， 其中使用的2D卷积每 个通道为 一组， 组间不进行通道交 互。 3.根据权利要求2所述的基于空谱双分支卷积网络的高光谱图像分类方法， 其特征是， 步骤S3所述的深度卷积分离模组依次采用1 ×1、 3×3和5×5的深度分离卷积组成的卷积组 进行特征提取。 4.根据权利要求1所述的基于空谱双分支卷积网络的高光谱图像分类方法， 其特征是， 步骤S3所述的空间细化特征提取后的进一步特征的提取为2D批归一化操作、 均值池化处 理、 特征展平、 1D批归一 化层‑全连接层 ‑Sigmoid函数组合进行的进一 步特征的提取。 5.根据权利要求1所述的基于空谱双分支卷积网络的高光谱图像分类方法， 其特征是， 步骤S3所述的利用通道注意力模块进 行的通道特征的强调 与抑制步骤为： 通道注意力模块 的输入经过均值池化获得通道的描述向量， 之后衔接一个小型的双层全连接组， 实现通道 特征的升维度和降维度提取， 其中嵌入的非线性激活函数是ReLU函数； 之后使用Sigmoid非 线性函数做进一步非线性激活来得到通道注意力映射， 利用得到的通道注意力映射与通道 注意力模块原始输入的光谱特征图在通道维度进 行逐元素相乘， 进行自适应的通道特征的 增强。 6.根据权利要求1所述的基于空谱双分支卷积网络的高光谱图像分类方法， 其特征是， 步骤S3所述的利用特征抽象模块进 行的高阶光谱 特征表示的获取步骤为： 使用1D 批归一化 进行批次内的数据去偏移量， 分别使用最大值池化和均值池化进行两路并行 的数据抽象， 并分别特 征展平， 之后完成两路特 征图的通道维度上的拼接 。 7.根据权利要求1所述的基于空谱双分支卷积网络的高光谱图像分类方法， 其特征是， 步骤S3所述的光谱子网分支提取光谱特征 的步骤还包括高阶光谱特征表示的获取之后的权　利　要　求　书 1/2 页 2 CN 115249332 A 2进一步特征提取， 即由1D批归一化 ‑全连接层‑Dropout正则化 ‑ReLU和全 连接层‑Dropout正 则化‑Sigmoid组合进行的进一 步特征提取。 8.根据权利要求1所述的基于空谱双分支卷积网络的高光谱图像分类方法， 其特征是， 步骤S4所述的权重系数 设置初始值为0.5， 对空间子网分支获得的空间特征映射使用 加权， 对光谱子网分支获得的光谱特征映射使用(1 ‑ )加权， 两组特征映射通过加权和的 方式进行融合， 权重系数 在每次网络迭代首先经过Sigmoid函数进行非线性激活， 之后完 成加权融合。 9.基于空谱双分支卷积网络的高光谱图像分类设备， 包括存储器、 处理器及存储在存 储器上并可在处理器上运行 的计算机程序， 其特征是， 所述处理器执行所述程序时实现如 权利要求1 ‑8任一项所述的基于空谱双分支卷积网络的高光谱图像分类方法中的步骤。 10.一种存储设备， 其为计算机可读存储设备， 其特征是， 所述的计算机可读存储设备 上存储有计算机程序用于实现如权利要求 1‑8任一项所述的基于空谱双分支卷积网络的高 光谱图像分类方法。权　利　要　求　书 2/2 页 3 CN 115249332 A 3