一种基于双分支空谱特征的高光谱图像分类模型构建方法

本发明涉及高光谱图像处理与计算机视觉领域，具体而言，涉及一种基于双分支空谱特征的高光谱图像分类模型构建方法。

背景技术：

1、通过高光谱成像技术，可在数十至数百个连续光谱波段上获取地物的反射信息，为精细地物识别与分类获取丰富的数据支撑，并应用在农业监测、资源调查、环境评估和遥感解译等领域。相比传统多光谱影像，高光谱图像能够更全面地刻画地物的光谱特性，在理论上具备更强的判别能力。然而，随着高光谱数据维度的不断提升，在实际应用中也面临着诸多挑战：一方面，高光谱图像存在光谱维度高、谱间相关性强的特征，容易引入冗余信息并增加模型学习难度；另一方面，不同地物之间常表现出高度相似的光谱特征，而同一类别在空间分布和成像条件变化下又可能呈现较大的内部差异，使分类任务更加复杂。

2、通常，进行高光谱分类的方法多依赖人工设计的光谱特征并结合统计学习模型实现，或者通过卷积神经网络或注意力机制自动学习空谱特征，提升分类精度。然而，现有深度模型大多侧重于局部空间建模或固定模式的特征提取，对复杂空间依赖关系和长程上下文信息的刻画能力有限。此外，引入动态采样或形变建模的策略虽然能够增强空间建模灵活性，但在高光谱场景中往往容易破坏原有的光谱结构一致性，从而影响分类结果的稳定性与可靠性。

3、因此，需要一种技术方案，在保持光谱结构稳定的前提下，有效挖掘高光谱图像的空谱特征，分析复杂空间依赖关系，实现高光谱图像分类。

技术实现思路

1、为实现上述目的，本技术提供了一种基于双分支空谱特征的高光谱图像分类模型构建方法，包括以下步骤：

2、构建高光谱图像分类样本集；高光谱图像分类样本由高光谱图像和真实标签的独热编码构成；

3、定义自适应特征提取模型，自适应特征提取模型由初步特征提取单元、局部频率细节增强分支、全局光谱引导动态自适应mamba分支和双分支特征自适应融合单元构成；其中，初步特征提取单元根据输入的高光谱图像的图像块生成二维空间嵌入特征，局部频率细节增强分支、全局光谱引导动态自适应mamba分支分别根据二维空间嵌入特征生成局部频率细节特征和长程依赖增强特征，双分支特征自适应融合单元将局部频率细节特征和长程依赖增强特征进行融合生成联合空谱特征；

4、定义分类预测模型，分类预测模型根据联合空谱特征输出类别概率向量；

5、基于高光谱图像分类样本集对自适应特征提取模型和分类预测模型进行训练和优化，构建用于高光谱图像分类的模型。

6、其中，初步特征提取单元由三维卷积层和线性层构成；

7、三维卷积层获取输入的图像块，进行三维卷积空谱初步特征提取，获取初步空谱特征；其中，图像块表示为，其中，为批量大小，为输入光谱通道数，和分别为图像块的空间尺寸；

8、线性层对初步空谱特征按二维空间维度进行重排和线性映射，获取二维空间嵌入特征，表示为：，其中，和表示嵌入特征的空间尺寸、为通道数。

9、其中，局部频率细节增强分支包括多尺度门控卷积模块、第一重参数卷积模块、频率增强滤波模块和第二重参数卷积模块；

10、多尺度门控卷积模块用于获取二维空间嵌入特征，生成得到多尺度局部特征，多尺度局部特征与二维空间嵌入特征保持相同的二维空间尺寸和通道维度；

11、第一重参数卷积模块提取多尺度局部特征的信息，进行等效重参数化生成第一重参数化特征，与二维空间嵌入特征保持相同的二维空间尺寸和通道维度；

12、频率增强滤波模块由频域响应调制和高频残差补偿两部分构成，从第一重参数化特征获取平滑低频分量；

13、第二重参数卷积模块对所述平滑低频分量进行等效重参数化生成局部频率细节特征。

14、生成得到多尺度局部特征包括以下步骤：

15、对二维空间嵌入特征进行层归一化、1×1卷积后，输入个具有不同膨胀率的膨胀深度卷积分支获得，表示为：，其中，ln(·)表示层归一化，表示第k个分支的膨胀率；

16、将膨胀深度卷积分支结果进行逐元素聚合，得到多尺度融合特征；

17、将多尺度融合特征按通道维度划分为和，逐元素乘法获得非线性交互特征，表示为：；

18、对非线性交互特征进行通道重标定，生成标定特征，表示为：，其中，gap(·)表示全局平均池化；

19、通过1×1卷积恢复目标通道数，与进行残差融合，得到多尺度局部特征，表示为：。

20、通过频域响应调制从所述第一重参数化特征的频域获取增强响应信号；

21、高频残差补偿对第一重参数化特征和频域增强响应信号进行逐元素调制，以残差方式注入原特征生成临时特征，通过平均池化和上采样估计生成平滑低频分量。

22、构建全局光谱引导动态自适应mamba分支包括以下步骤：

23、定义状态建模支路和门控支路，向状态建模支路和门控支路同时输入二维空间嵌入特征；其中，状态建模支路通过卷积，生成状态建模特征；门控支路通过线性映射和卷积，生成门控信号g；

24、定义可变形路径，从状态建模特征提取局部结构上下文，增强与目标开关相关的通道响应，生成未经光谱约束的候选偏移，获取参考位置和候选位置；根据参考位置和候选位置得到共享嵌入空间中的特征和，计算结构感知路径；

25、定义三路状态空间，将状态建模特征分别输入三路状态空间，结合结构感知路径计算和输出长程依赖增强特征；长程依赖增强特征与二维空间嵌入特征保持相同的二维空间尺寸和通道维度。

26、其中，三路状态空间包括前向状态空间模型、反向状态空间模型和可变形状态空间模型，分别表示为：；其中，表示前向状态空间模型、表示反向状态空间模型、表示可变形状态空间模型；前向状态空间模型、反向状态空间模型提供双向固定路径上下文输出前向响应、反向响应，可变形状态空间模型输出可变形响应；

27、长程依赖增强特征的计算方法表示为：，其中，为门控信号、为线性映射。

28、进一步的，双分支特征自适应融合单元通过可学习标量生成融合权重进行加权融合生成联合空谱特征，表示为：，且：，其中，为学习标量；其中，联合空谱特征的输出形态为：。

29、分类预测模型对联合空谱特征执行全局平均池化，生成样本级特征向量，表示为：；

30、将样本级特征向量输入全连接分类器得到logit向量，并经softmax得到类别概率向量。

31、对自适应特征提取模型和分类预测模型进行训练和优化包括：

32、对于高光谱图像分类样本集的第个样本，设为类别概率向量，为对应真实标签的独热编码，采用交叉熵损失作为监督训练目标，表示为：，其中，表示批量大小，表示类别总数，表示第个样本对第类的真实标签值，表示模型预测该样本属于第i类的概率；

33、通过反向传播最小化分类损失，联合自适应特征提取全部可学习参数，实现高光谱图像分类模型构建。

34、根据本发明构建的高光谱图像分类模型，可应用于遥感影像解译、地物识别与精细分类等场景，尤其适用于样本稀缺、类别复杂及背景干扰显著的高光谱分类任务；根据高光谱图像分类模型的架构设计，可强化高光谱图像的边缘、纹理及细粒度结构的特征表达，增强结构自适应传播能力的同时减少光谱语义不一致造成的错误连接；高光谱图像分类模型的两分支输出在统一的b×d×h'×w'形态下进行自适应加权融合，从而发挥局部判别信息与全局上下文信息的互补优势，提高复杂场景下的高光谱图像分类精度与泛化能力。