(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 202211124718.2 (22)申请日 2022.09.15 (71)申请人 贵州大学 地址 550000 贵州省贵阳市花溪区贵州大 学 (72)发明人 杨静　孙杰　王一凡　阮小利　 李少波　麻兴江　 (74)专利代理 机构 重庆天成卓越专利代理事务 所(普通合伙) 50240 专利代理师 王宏松 (51)Int.Cl. G06V 10/58(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于双通道稀疏化网络的高光谱图像 分类方法 (57)摘要 本发明提出了一种基于双通道稀疏化网络 的高光谱图像分类方法， 包括以下步骤： S1， 对高 光谱图像数据进行降维处理； S2， 采用通道注意 力机制提取重要光谱与空间特征； S3， 将所述重 要光谱与空间特征输入光谱分支模块提取高光 谱图像的光谱特征； S4， 将所述重要光谱与空间 特征和降维处理的高光谱图像数据输入空间分 支模块提取高光谱图像空间特征； S5， 将所述高 光谱图像的光谱 特征、 所述高光谱图像空间特征 与所述重要光谱与空间特征输入分类模块进行 特征融合叠加得到输出结果。 本发 明能够通过设 计的LCTCS网络在训练过程中去除大量冗余不必 要的， 对于高光谱图像(HIS)中丰富的光谱信息 和空间信息的传递贡献较小的参数， 从而达到节 约计算资源的效果。 权利要求书2页 说明书12页 附图4页 CN 115471677 A 2022.12.13 CN 115471677 A 1.一种基于双通道稀疏化网络的高光谱图像分类方法， 其特 征在于， 包括以下步骤： S1， 对高光谱图像数据进行降维处 理； S2， 采用通道 注意力机制提取重要光谱与空间特 征； S3， 将所述重要光谱与空间特 征输入光谱分支模块 提取高光谱图像的光谱特 征； S4， 将所述重要光谱与空间特征和降维处理的高光谱图像数据输入空间分支模块提取 高光谱图像空间特 征； S5， 将所述高光谱图像的光谱特征、 所述高光谱图像空间特征与所述重要光谱与空间 特征进行特征融合叠加， 然后输入分类模块得到 输出结果。 2.根据权利要求1所述的一种基于双通道稀疏化网络的高光谱图像分类方法， 其特征 在于， 所述S1包括： 在平面维度选取高光谱图像数据的正方形立方块数据p ×p作为输入至三维卷积网络， 并以正方 形立方块的中心为像素值进行三维卷积计算， 三维卷积计算公式如下： 其中， 表示在空间位置(x,y,z)第i层的第j个立方块； 表示在空间位置(p,q,r)第k个立方块的权 重大小； m表示立方块的总个数； 表示在空间位置(x+p,y+q,z+r)第i ‑1层的第k个立方块； bij表示在第i层的第j个立方块的偏置大小； Pi,Qi,Ri分别表示 三维卷积核的高度、 宽度和通道数； g(.)表示激活函数。 3.根据权利要求2所述的一种基于双通道稀疏化网络的高光谱图像分类方法， 其特征 在于， 所述卷积核的大小为1x1x7， 步幅为(1， 1， 2)。 4.根据权利要求1所述的一种基于双通道稀疏化网络的高光谱图像分类方法， 其特征 在于， 所述S2包括： 通过光谱空间特征权值的重要性判断公式得到重要光谱与空间特征， 光 谱空间特 征权值的重要性判断公式如下： att((q,k),v)i表示第i个重要的光谱特 征与空间特 征的光谱空间权值； N表示光谱空间消息总数； qi表示第i个重要的光谱特征与空间特征的查询向量， 用于查询第一层卷积处理后的三 维块中第i个重要的光谱特 征与空间特 征与向量K之间的相似性； ·T表示转置； kj表示第j个波段的平面维度； vj表示第j个波段的空间维度。 5.根据权利要求1所述的一种基于双通道稀疏化网络的高光谱图像分类方法， 其特征 在于， 所述光谱分支模块采用三维分组卷积， 并以分组卷积层BN层和线性激活层Relu为第权　利　要　求　书 1/2 页 2 CN 115471677 A 2一独立单 元， 若干第一独立单 元相连接； 所述第一独立单 元依次包括： 三维卷积层， 归一 化层， 激活层。 6.根据权利要求5所述的一种基于双通道稀疏化网络的高光谱图像分类方法， 其特征 在于， 所述卷积的卷积核的参数量计算公式为： 其中GrPa表示卷积核的参数量； Cn表示输入的通道数； Cn+1表示输出的通道数； Mn表示第n层的三维卷积核大小； Mn+1表示第n+1层维卷积核大小； dn表示第n层空间维度三维卷积核的大小； dn+1表示第n+1层空间维度三维卷积核的大小； S表示每个通道的滤波器 被分为的组数； bias＝False表示 不考虑偏置情况； bias＝Ture表示考虑偏置情况。 7.根据权利要求5所述的一种基于双通道稀疏化网络的高光谱图像分类方法， 其特征 在于， 所述光谱分支模块包括若干第二独立单元， 所述第二独立单元依次包括： 三维卷积 层， 归一化层， droupt3d层， 将所述重要光谱与空间特征输入两个第 二独立单元， 然后将两个第 二独立单元输出的 数据与降维处理的高光谱图像数据进 行单位相加操作， 再把单位相加操作得到的结果在采 用残差式操作把得到的结果送入到第二独立单 元， 输出结果即为高光谱图像空间特 征； 残差式操作为： 相加操作得到的结果分别经过三维卷积层和第三独立单元， 并将三维 卷积层的输出 结果与第三独立单 元的输出 结果进行 单位相加操作； 所述第三独立单元依次包括： 三维卷积层、 归一化层、 droupt3d层、 三维卷积层、 归一化 层。 8.根据权利要求1所述的一种基于双通道稀疏化网络的高光谱图像分类方法， 其特征 在于， 所述分类模块依次包括： 动态三维卷积层、 平均池化层、 线性层。权　利　要　求　书 2/2 页 3 CN 115471677 A 3