1.一种基于光谱和空间特征提取的高光谱图像分割方法,其特征在于:包括以下步骤:步骤(1)、输入任选的一幅尺寸为 的待分割高光谱图像,为高光谱图像的高,为高光谱图像的宽,c为高光谱图像光谱维的维度;
步骤(2)、对待分割高光谱图像数据,随机划分训练集、验证集和测试集;
步骤(3)、构建基础网络模型,将两层参数不同的卷积神经网络作为骨干网络,通过骨干网络的卷积操作来提取高光谱图像的初始视觉特征,公式(1)如下:(1)
其中,表示高光谱图像,表示卷积层,表示初始视觉特征;
步骤(4)、将步骤(3)中获得的初始视觉特征沿着光谱维度进行分组,每组分别在光谱维度用一维卷积提取光谱特征,之后将每组光谱特征作为整体放入稀疏Transformer中进行交互获得光谱特征表示,具体方法为:光谱Transformer模块提取光谱特征,先通过将高光谱图像按照光谱维度均分为若干个通道组,然后每个通道组内使用光谱卷积提取组内的局部特征,接着计算每组局部特征与其他每组局部特征的注意力来融合所有组特征,具体工作过程如下:首先对于每个通道组内,使用光谱卷积进行组内之间的特征交互:(2)
其中为激活函数,和为卷积神经网络的参数;
然后通过稀疏Transformer模块对于各个通道组进行组间交互:先通过三个线性映射层将每组特征映射为,,表示键,用于查询记忆中信息的索引;表示查询,用于查找记忆中信息的关键;表示值,用于更新当前信息的新内容;接着计算得到注意力分数:(3)
根据分数选择得分最高的个点,将其保留下来,其他注意力数值将被丢弃,此后再对这个分数进行softmax操作:(4)
其中,表示注意力矩阵中第行第列的得分, 表示第行的第大的值;
(5)
(6)
(7)
其中,表示列归一化层,表示提取到的光谱特征;
综上所述,令公式(3)-公式(7)表示的稀疏Transformermr模块处理后最终光谱特征表示为,则稀疏Transformer模块可表示为:(8);
步骤(5)、将步骤(4)所得光谱特征表示沿着空间维度进行分块,每块分别在空间维度用二维卷积提取图像的空间特征,之后通过稀疏Transformer对所有空间特征进行特征交互获得最终特征图表示;
步骤(6)、将步骤(5)所得最终特征图表示与真值图做损失,通过多次迭代优化获得最终的分割结果。
2.根据权利要求1所述的基于光谱和空间特征提取的高光谱图像分割方法,其特征在于:所述步骤(2)划分数据集时先采用线性判别分析来增强高光谱图像数据,并选择标记不同比例的样本作为训练样本、验证样本和测试样本。
3.根据权利要求1所述的基于光谱和空间特征提取的高光谱图像分割方法,其特征在于:所述步骤(5)中提取空间特征的具体工作过程如下:先使用空间卷积提取图像的空间局部特征:
(9)
其中,表示卷积神经网络;是指光谱特征;表示获得的空间局部特征;
然后,将所得特征在空间维度分块,对于分块后每个特征,使用稀疏Transformer提取空间特征:(10)
进而得到最终的空间特征表示;
在训练阶段使用的分割损失函数为交叉熵损失。