1.多源遥感图像空间高程光谱特征提取与分类的方法,其特征在于,包括以下步骤:获取待融合的HSI图像数据、LiDAR图像数据的多个类内样本矩阵;
构建空间高程特征提取模块,其包括高程信息提取通道、空间特征提取通道和空间注意力机制;将HSI图像数据、LiDAR图像数据的多个类内样本矩阵分别输入到空间高程特征提取模块中后,利用高程信息提取通道提取LiDAR图像数据的高程特征,利用空间特征提取通道提取HSI图像数据的空间特征,利用空间注意力机制进行通道间的特征融合;
构建多尺度空间特征提取模块,将空间特征输入到多尺度空间特征提取模块后,将所得到的不同尺度特征通过拼接融合,得到HSI图像数据的多尺度空间特征;
构建光谱特征提取模块,其包括两个卷积,一个ReLU层和一个Sigmoid层,当HSI图像数据的多个类内样本矩阵输入到光谱特征提取模块后,将所获得的光谱注意力权重与HSI图像数据的多个类内样本矩阵乘积,得到HSI图像数据的光谱特征;
构建特征融合模块,其包括卷积和Sigmoid层,将高程特征、多尺度空间特征、光谱特征分别输入到特征融合模块后,将所获得的高程特征、空间特征的通道权重进行相加融合后,再与光谱特征级联融合;
将最终融合所得的特征送入分类器中得到分类结果;
所述高程信息提取通道和空间特征提取通道均经过两组特征提取网络,每组特征提取网络均包括卷积层、BN层、ReLU层和最大池化层;
通过跨通道方式获取HSI图像数据的空间特征的权重;
所得到的所述空间特征和所述高程特征表示为:
其中,和分别表示经过一次特征提取后的空间特征和高程特征;
和表示经过空间注意力机制分配权重后的空间特征和高程特征;
C(·)表示卷积运算;B(·)表示批标准化;R(·)表示ReLU激活函数;
M(·)表示最大池化操作。
2.根据权利要求1所述的多源遥感图像空间高程光谱特征提取与分类的方法,其特征在于:所述获取待融合的HSI图像数据、LiDAR图像数据的多个类内样本矩阵,包括:获取HSI图像数据、LiDAR图像数据的原始图像矩阵;
根据HSI图像数据、LiDAR图像数据中的真实地物标记,确定原始图像矩阵中的多个类别;
在HSI图像数据、LiDAR图像数据的原始图像矩阵的每个类别中分别选取多个像素点,得到HSI图像数据、LiDAR图像数据的多个类内样本矩阵。
3.根据权利要求1所述的多源遥感图像空间高程光谱特征提取与分类的方法,其特征在于:所述空间注意力机制包括两个3×3卷积运算和一个Sigmoid函数,并通过跳跃连接实现对模块输入的空间增强,其过程表示为:w=δ(f1(f2(xl1))) (1)
其中其中xl1表示空间注意力的输入;
f1(·)和f2(·)表示卷积运算;
δ(·)表示Sigmoid函数;
所获得的权重w同时用于高程信息提取通道的权重和跨通道信息补充。
4.根据权利要求1所述的多源遥感图像空间高程光谱特征提取与分类的方法,其特征在于:所述多尺度空间特征提取模块包括三条平行通道和三个融合阶段,其分别用于提取不同尺度的特征图;
所述三条平行通道的卷积核大小分别为7×7、5×5、3×3;
假设表示第l通道,第s融合阶段的特征,则为:
其中l=1表示卷积核大小为7×7的通道;
l=2表示卷积核大小为5×5的通道;
l=3表示卷积核大小为3×3的通道;
表示输入;和分别为对应的权值矩阵和偏置项;
每个通道的融合阶段特征表示为:
5.根据权利要求4所述的多源遥感图像空间高程光谱特征提取与分类的方法,其特征在于:所述特征融合模块包括3个输入,分别为高程特征Xl、多尺度空间特征Xh、光谱特征Xh-spec,分别使用两次1×1卷积,将高程特征Xl、多尺度空间特征Xh的维度降至一半后,在低维空间中对两组特征进行特征求和,再使用1×1卷积将特征图的维数变为1后,使用Sigmoid激活函数得到注意图,分别与高程特征Xl、多尺度空间特征Xh相乘并相加,得到高程特征Xl、多尺度空间特征Xh的互补的融合特征Xhl,将融合特征Xhl与光谱特征Xh-spec拼接融合得到包含空间特征、高程特征和光谱特征的融合特征Xfusion,该过程表述为:w=δ(f3(f1(Xh)+f2(Xl))) (8)Xhl=w×Xh+w×Xl (9)
Xfusion=Concat[Xhl,Xh-spec] (10)其中,f1(·)、f2(·)和f3(·)表示卷积运算;
w表示获得的权重矩阵;
Concat[·]表示拼接操作。
6.多源遥感图像空间高程光谱特征提取与分类的系统,其特征在于:包括:数据获取模块,用于获取待融合的HSI图像数据、LiDAR图像数据的多个类内样本矩阵;
空间高程特征提取模块,其包括高程信息提取通道和空间特征提取通道和空间注意力机制;将HSI图像数据、LiDAR图像数据的多个类内样本矩阵分别输入到空间高程特征提取模块中后,利用高程信息提取通道提取LiDAR图像数据的高程特征,利用空间特征提取通道提取HSI图像数据的空间特征,利用空间注意力机制进行通道间的特征融合;
多尺度空间特征提取模块,将空间特征输入到多尺度空间特征提取模块后,将所得到的不同尺度特征通过拼接融合,得到HSI图像数据的多尺度空间特征;
光谱特征提取模块,其包括两个卷积,一个ReLU层和一个Sigmoid层,当HSI图像数据的多个类内样本矩阵输入到光谱特征提取模块后,将所获得的光谱注意力权重与HSI图像数据的多个类内样本矩阵乘积,得到HSI图像数据的光谱特征;
特征融合模块,其包括卷积和Sigmoid层,将高程特征、多尺度空间特征、光谱特征分别输入到特征融合模块后,特征融合模块将所获得的高程特征、空间特征的通道权重进行相加融合后,再与光谱特征级联融合;
分类模块,将最终融合所得的特征送入分类器中得到分类结果;
所述高程信息提取通道和空间特征提取通道均经过两组特征提取网络,每组特征提取网络均包括卷积层、BN层、ReLU层和最大池化层;
通过跨通道方式获取HSI图像数据的空间特征的权重;
所得到的所述空间特征和所述高程特征表示为:
其中,和分别表示经过一次特征提取后的空间特征和高程特征;
和表示经过空间注意力机制分配权重后的空间特征和高程特征;
C(·)表示卷积运算;B(·)表示批标准化;R(·)表示ReLU激活函数;
M(·)表示最大池化操作。