本發(fā)明涉及高光譜遙感影像處理，特別是一種用于高光譜遙感場(chǎng)景分類的方法。

背景技術(shù)：

1、作為遙感圖像解譯領(lǐng)域中的重要組成部分，場(chǎng)景分類問(wèn)題旨在根據(jù)遙感影像中所包含的視覺(jué)信息來(lái)給每一幅影像分配預(yù)定義的場(chǎng)景標(biāo)簽。場(chǎng)景分類任務(wù)以龐大的遙感影像數(shù)據(jù)量和計(jì)算機(jī)高效的計(jì)算能力為基礎(chǔ)，近年來(lái)廣泛地應(yīng)用在城鄉(xiāng)規(guī)劃、環(huán)境監(jiān)測(cè)和自然災(zāi)害檢測(cè)等領(lǐng)域。

2、當(dāng)前遙感場(chǎng)景分類任務(wù)根據(jù)特征提取過(guò)程不同分為兩大類：基于手工提取特征的方法和基于深度學(xué)習(xí)的方法。手工提取特征的方法依賴研究人員的經(jīng)驗(yàn)來(lái)設(shè)計(jì)基于顏色、形狀和紋理等特征的算法，常見(jiàn)的算法包括通用搜索樹、局部二值模式、尺度不變特征變換、梯度直方圖等。這些方法具有良好的可解釋性，但嚴(yán)重依賴手工特征設(shè)計(jì)，僅能描述某一方面的屬性。因此，不少研究人員將特征編碼方法用于場(chǎng)景分類以提升特征的表征能力，比如視覺(jué)詞袋模型、主題模型等，上述方法雖然具有一定語(yǔ)義探索能力，但難以描述具備類內(nèi)多樣性和空間分布非均勻性的復(fù)雜場(chǎng)景。

3、另外，深度學(xué)習(xí)具有挖掘數(shù)據(jù)潛在特征的能力并且能高效準(zhǔn)確地對(duì)數(shù)據(jù)進(jìn)行表達(dá)，從而被廣泛應(yīng)用于遙感圖像場(chǎng)景分類。但現(xiàn)有技術(shù)中的方法主要面向高分辨率遙感影像場(chǎng)景分類，對(duì)光譜信息的利用存在不足，在幾何結(jié)構(gòu)、紋理和顏色等視覺(jué)屬性相似的類別中容易出現(xiàn)混淆和錯(cuò)分現(xiàn)象。高光譜圖像擁有“圖譜合一”的表達(dá)方式，如果通過(guò)分析影像光譜差異，將空間特征和光譜特征兩類表達(dá)方式結(jié)合在一起，能有效提升對(duì)地觀測(cè)技術(shù)在相似場(chǎng)景上的判別能力，從而實(shí)現(xiàn)更精細(xì)的場(chǎng)景分類。然而，現(xiàn)有技術(shù)的注意力機(jī)制雖然能關(guān)注高光譜圖像的空-譜信息，卷積模塊能關(guān)注局部區(qū)域，但兩者忽略了全局上下文信息。另一方面，現(xiàn)有技術(shù)的某些方法雖然在一定程度上提升了高光譜場(chǎng)景分類性能，然而該方法沒(méi)有針對(duì)場(chǎng)景分類問(wèn)題對(duì)復(fù)雜的空間布局做出應(yīng)對(duì)，忽略了圖像中的長(zhǎng)距離依賴關(guān)系，導(dǎo)致分類精度和準(zhǔn)確度也不夠。因此，如何將局部信息和全局信息充分結(jié)合并有效利用高光譜遙感影像的空-譜信息對(duì)場(chǎng)景進(jìn)行精確、準(zhǔn)確分類，是目前亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)背景技術(shù)的問(wèn)題，本發(fā)明提供一種用于高光譜遙感場(chǎng)景分類的方法，以解決現(xiàn)有技術(shù)對(duì)高光譜遙感場(chǎng)景分類準(zhǔn)確性差、精度不高、分類效率低的問(wèn)題。

2、為實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明提供了一種用于高光譜遙感場(chǎng)景分類的方法，其創(chuàng)新點(diǎn)在于：包括數(shù)據(jù)收集處理模塊、分類模型訓(xùn)練模塊和高光譜遙感場(chǎng)景分類模塊；所述方法包括：

3、一)收集多個(gè)相同波段的高光譜遙感圖像，然后進(jìn)行人工分類處理得到多個(gè)場(chǎng)景分類數(shù)據(jù)，然后將多個(gè)所述場(chǎng)景分類數(shù)據(jù)輸入數(shù)據(jù)收集處理模塊；

4、二)所述數(shù)據(jù)收集處理模塊對(duì)收到的多個(gè)場(chǎng)景分類數(shù)據(jù)進(jìn)行仿射變換、隨機(jī)翻轉(zhuǎn)和通道變換處理，得到多個(gè)基礎(chǔ)數(shù)據(jù)，多個(gè)基礎(chǔ)數(shù)據(jù)組成一個(gè)數(shù)據(jù)集；將數(shù)據(jù)集中用于模型訓(xùn)練的基礎(chǔ)數(shù)據(jù)記為訓(xùn)練數(shù)據(jù)，將數(shù)據(jù)集中用于模型精度測(cè)試的基礎(chǔ)數(shù)據(jù)記為測(cè)試數(shù)據(jù)，所有訓(xùn)練數(shù)據(jù)組成訓(xùn)練集，所有測(cè)試數(shù)據(jù)組成測(cè)試集；將訓(xùn)練集分為m個(gè)訓(xùn)練子集，每個(gè)訓(xùn)練子集至少包括1個(gè)訓(xùn)練數(shù)據(jù)；

5、然后數(shù)據(jù)收集處理模塊將數(shù)據(jù)集傳輸給分類模型訓(xùn)練模塊；

6、三)所述分類模型訓(xùn)練模塊利用收到的數(shù)據(jù)集按方法一獲取場(chǎng)景分類深度學(xué)習(xí)模型；然后分類模型訓(xùn)練模塊將場(chǎng)景分類深度學(xué)習(xí)模型傳輸給高光譜遙感場(chǎng)景分類模塊；

7、四)所述高光譜遙感場(chǎng)景分類模塊加載場(chǎng)景分類深度學(xué)習(xí)模型；

8、高光譜遙感場(chǎng)景分類模塊能利用場(chǎng)景分類深度學(xué)習(xí)模型對(duì)新的高光譜遙感場(chǎng)景進(jìn)行自動(dòng)分類；

9、所述方法一包括：

10、分類模型訓(xùn)練模塊采用eca-resnet(efficient?channel?attentiom-residualneural?network有效通道注意力殘差神經(jīng)網(wǎng)絡(luò))網(wǎng)絡(luò)架構(gòu)構(gòu)建第一教師模型，采用visiontransfomer(基于注意力機(jī)制的深度學(xué)習(xí)模型)網(wǎng)絡(luò)架構(gòu)構(gòu)建第二教師模型，采用spectralformer(頻譜轉(zhuǎn)換器)網(wǎng)絡(luò)架構(gòu)構(gòu)建第三教師模型，采用vgg16(visual?geometrygroup?16)深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)構(gòu)建學(xué)生模型；所述第一教師模型與學(xué)生模型組成第一教師-學(xué)生模型，所述第二教師模型與學(xué)生模型組成第二教師-學(xué)生模型，所述第三教師模型與學(xué)生模型組成第三教師-學(xué)生模型；

11、分類模型訓(xùn)練模塊以一個(gè)訓(xùn)練子集為一個(gè)批次單位，分類模型訓(xùn)練模塊逐批次利用m個(gè)訓(xùn)練子集的訓(xùn)練數(shù)據(jù)對(duì)所轄模型進(jìn)行訓(xùn)練優(yōu)化；分類模型訓(xùn)練模塊利用每個(gè)訓(xùn)練子集均按方法二對(duì)所轄模型進(jìn)行訓(xùn)練優(yōu)化；

12、所述方法二包括：

13、設(shè)某個(gè)訓(xùn)練子集包括n個(gè)訓(xùn)練數(shù)據(jù)，設(shè)n個(gè)訓(xùn)練數(shù)據(jù)中的任意一個(gè)訓(xùn)練數(shù)據(jù)為第i個(gè)訓(xùn)練數(shù)據(jù)，分類模型訓(xùn)練模塊逐個(gè)從訓(xùn)練子集中選取訓(xùn)練數(shù)據(jù)對(duì)所轄模型進(jìn)行訓(xùn)練優(yōu)化，對(duì)于第i個(gè)訓(xùn)練數(shù)據(jù)按以下方式進(jìn)行：

14、1)3個(gè)教師模型各自對(duì)第i個(gè)訓(xùn)練數(shù)據(jù)進(jìn)行處理分別得到3個(gè)對(duì)應(yīng)的第一邏輯輸出；學(xué)生模型對(duì)第i個(gè)訓(xùn)練數(shù)據(jù)進(jìn)行處理得到第二邏輯輸出；

15、2)針對(duì)3個(gè)所述第一邏輯輸出，選取蒸餾溫度系數(shù)分別為t1、t2和t3的3個(gè)softmax函數(shù)分別進(jìn)行歸一化處理，得到與3個(gè)教師模型對(duì)應(yīng)的第一概率分布輸出；其中t1、t2和t3均為設(shè)定值，t1、t2和t3分別與第一教師模型、第二教師模型和第三教師模型一一對(duì)應(yīng)；

16、針對(duì)第二邏輯輸出，選取蒸餾溫度系數(shù)為t4的softmax函數(shù)進(jìn)行歸一化處理，得到第二概率分布輸出；所述t4為設(shè)定值；

17、3)然后將3個(gè)第一概率分布輸出分別利用kldiv函數(shù)與第二概率分布輸出之間進(jìn)行差距的衡量，得到3個(gè)蒸餾損失和

18、根據(jù)訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的場(chǎng)景分類真實(shí)值，將3個(gè)第一邏輯輸出分別與場(chǎng)景分類真實(shí)值進(jìn)行比較，得到三個(gè)第一交叉熵?fù)p失和將第二邏輯輸出與場(chǎng)景分類真實(shí)值進(jìn)行比較得到第二交叉熵?fù)p失

19、4)按公式一分別獲取3個(gè)教師-學(xué)生模型對(duì)應(yīng)的3個(gè)第一模型損失和按公式二獲取學(xué)生模型對(duì)應(yīng)的第二模型損失lsec；然后根據(jù)lsec采用反向傳播算法對(duì)學(xué)生模型進(jìn)行參數(shù)優(yōu)化；

20、當(dāng)利用訓(xùn)練子集的全部n個(gè)訓(xùn)練數(shù)據(jù)均完成上述步驟1)到步驟4)后，按公式三獲取3個(gè)教師模型對(duì)應(yīng)的第三模型損失和然后根據(jù)3個(gè)第三模型損失采用反向傳播算法分別對(duì)三個(gè)教師-學(xué)生模型進(jìn)行參數(shù)優(yōu)化，單個(gè)教師-學(xué)生模型的參數(shù)優(yōu)化包括對(duì)應(yīng)教師模型和學(xué)生模型的同步優(yōu)化；

21、所述公式一為：

22、

23、其中，i為1到n的整數(shù)，j為1到3的整數(shù)，所述j的三個(gè)取值1、2和3分別與第一教師模型、第二教師模型和第三教師模型一一對(duì)應(yīng)；所述α為蒸餾損失系數(shù)，α為設(shè)定值，α的取值范圍為0.1～0.5；

24、所述公式二為：

25、

26、其中，β為教師模型權(quán)重系數(shù)，β為設(shè)定值，β的取值范圍為0.1～0.3；

27、所述公式三為：

28、

29、將分類模型訓(xùn)練模塊利用m個(gè)訓(xùn)練子集對(duì)所轄模型完成訓(xùn)練后得到學(xué)生模型記為優(yōu)化學(xué)生模型，然后分類模型訓(xùn)練模塊利用測(cè)試集的測(cè)試數(shù)據(jù)對(duì)優(yōu)化學(xué)生模型的分類精度進(jìn)行測(cè)試：如果測(cè)試精度滿足設(shè)定要求，就將優(yōu)化學(xué)生模型作為場(chǎng)景分類深度學(xué)習(xí)模型；如果測(cè)試精度不滿足設(shè)定要求，則分類模型訓(xùn)練模塊繼續(xù)根據(jù)最新的lsec采用反向傳播算法對(duì)優(yōu)化學(xué)生模型進(jìn)行參數(shù)優(yōu)化，直到優(yōu)化學(xué)生模型收斂得到收斂的學(xué)生模型，將收斂的學(xué)生模型作為場(chǎng)景分類深度學(xué)習(xí)模型。

30、進(jìn)一步地，所述t1＝t2。

31、本發(fā)明的原理如下：

32、由于場(chǎng)景分類任務(wù)包含龐大的遙感影像數(shù)據(jù)量，對(duì)處理模塊的計(jì)算能力要求很高，現(xiàn)有技術(shù)中，為了提高高光譜遙感場(chǎng)景分類的效率，往往采用教師-學(xué)生蒸餾框架，讓參數(shù)復(fù)雜的教師模型通過(guò)訓(xùn)練學(xué)習(xí)后，將知識(shí)通過(guò)蒸餾技術(shù)傳授給參數(shù)較少結(jié)構(gòu)較簡(jiǎn)單的學(xué)生模型，通過(guò)學(xué)生模型來(lái)處理場(chǎng)景分類。然而，傳統(tǒng)的教師-學(xué)生蒸餾框架通常是一個(gè)教師模型指導(dǎo)一個(gè)學(xué)生模型的訓(xùn)練，由于高光譜遙感圖像語(yǔ)義豐富，包含多種類型信息，如果希望單個(gè)教師模型同時(shí)提取多種特征，會(huì)產(chǎn)生特征沖突而造成關(guān)鍵信息缺失，導(dǎo)致學(xué)生模型學(xué)習(xí)到的知識(shí)能力有限，無(wú)法解決對(duì)高光譜遙感圖像的深層語(yǔ)義信息理解不夠全面以及波段繁多的帶來(lái)的數(shù)據(jù)冗余等問(wèn)題。

33、本發(fā)明中，分別采用能進(jìn)行局部特征提取的eca-resnet網(wǎng)絡(luò)架構(gòu)、能進(jìn)行全局上下文信息提取的vision?transfomer網(wǎng)絡(luò)架構(gòu)和能進(jìn)行光譜特征提取的spectralformer網(wǎng)絡(luò)架構(gòu)構(gòu)建三個(gè)教師模型，然后采用參數(shù)較少、結(jié)構(gòu)較簡(jiǎn)單的vgg16網(wǎng)絡(luò)架構(gòu)構(gòu)建學(xué)生模型，三個(gè)教師模型與學(xué)生模型組成多教師-學(xué)生的模型框架。本發(fā)明的方法，首先在訓(xùn)練過(guò)程中動(dòng)態(tài)調(diào)整參數(shù)優(yōu)化教師模型，然后利用知識(shí)蒸餾技術(shù)，整合來(lái)自不同教師源的知識(shí)(包括局部信息、全局信息和光譜信息)，通過(guò)多個(gè)教師模型指導(dǎo)學(xué)生模型，學(xué)生模型可以合并和吸收來(lái)自多個(gè)教師模型的各種知識(shí)表示，并構(gòu)建一個(gè)全面的知識(shí)系統(tǒng)。多個(gè)教師模型相輔相成，組合不同知識(shí)指導(dǎo)學(xué)生模型，學(xué)生模型學(xué)習(xí)多個(gè)教師模型的優(yōu)點(diǎn)而摒棄不足，蒸餾后的學(xué)生模型能夠兼顧高光譜遙感圖像的長(zhǎng)距離信息、局部細(xì)節(jié)信息和光譜信息，在保持較低的時(shí)間成本的情況下進(jìn)一步提升自身的分類性能，這一過(guò)程旨在充分將教師模型捕捉到的各種層次和尺度的特征信息傳遞給學(xué)生模型，從而使學(xué)生模型能更好地理解和表征高光譜遙感影像，從而提高模型對(duì)復(fù)雜場(chǎng)景的理解能力。因此，利用本發(fā)明的方法得到的學(xué)生模型進(jìn)行高光譜遙感場(chǎng)景分類，不僅能提高分類效率，還能獲得優(yōu)異的分類性能，提高分類精度和準(zhǔn)確性。

34、由此可見(jiàn)，本發(fā)明具有如下的有益效果：采用本發(fā)明所述的方法能提高高光譜遙感場(chǎng)景分類的精度、準(zhǔn)確性和效率。