高光谱图像分类方法和装置
本说明书涉及人工智能,特别涉及一种高光谱图像分类方法和装置。
背景技术:
1、高光谱图像能够通过多个连续且较窄的光谱波段获取地物的精细光谱响应,同时保留空间纹理、边界和局部结构信息。高光谱图像被广泛应用于农业遥感、地物识别、环境监测、矿物探测和精细制图等任务中。高光谱图像分类是指根据像素的光谱特征及其邻域空间信息,为像素分配对应的地物类别标签。高光谱图像具有波段维度高、不同地物类别间的光谱差异细微、同一地物类别内部的光谱变化明显等特点,使得分类任务面临较大挑战。地物的光谱特征通常表现为有限波长区间内的连续非周期信号,且易受边缘波段噪声、局部波动和冗余波段的干扰,导致传统依赖人工特征或浅层统计建模的分类方法难以获得稳定可靠的分类结果。
2、近年来,卷积神经网络、transformer、mlp和mamba等深度学习方法被用于高光谱图像分类,在光谱-空间特征提取方面取得了一定进展。然而,上述深度学习方法的非线性映射大多仍依赖线性变换和固定激活函数,难以充分适应高光谱图像在有限区间内的连续非周期变化,导致上述深度学习方法对复杂地物场景的分类准确性和稳定性仍有不足。
3、kan(kolmogorov-arnold networks,柯尔莫哥洛夫–阿诺德网络)将可学习的一元函数置于网络连接上,为复杂非线性关系建模提供了新的思路。现有kan多采用b样条作为基函数。b样条通常不构成严格正交基,其表示结果依赖节点配置,相邻基函数之间的重叠可能增加不同基函数参数之间的耦合,并影响训练过程的稳定性。一些研究者尝试使用傅里叶基函数或小波基函数替代b样条。但是傅里叶基函数更适合描述具有明显周期性的信号。而高光谱响应通常表现为有限波长区间内的连续非周期变化,因而有限阶傅里叶展开在描述局部变化和边界扰动时可能存在一定局限。小波基函数则依赖尺度和母小波的选择,泛化能力有限。上述b样条、傅里叶基函数、小波基函数等难以适用于高光谱信号在有限波长区间内呈现非周期变化的特性,导致基于这些基函数的kan难以在高光谱图像分类中取得较好的准确性和稳定性。
技术实现思路
1、本说明书实施例提供一种高光谱图像分类方法和装置,以提高复杂场景下高光谱图像分类的准确性和稳定性。本说明书实施例的技术方案如下。
2、本说明书实施例提供了一种高光谱图像分类方法,应用于分类模型,所述分类模型包括映射模块、编码模块和分类器,所述编码模块包括堆叠的l层编码单元,每个编码单元包括基于第二类切比雪夫基函数的光谱kan模型以及基于第二类切比雪夫基函数的空间kan模型;所述方法包括:
3、将高光谱图像中待分类像素的图像块输入所述映射模块,得到初始特征图;
4、将所述初始特征图输入所述编码模块中的首个编码单元,以通过所述l个编码单元对所述初始特征图进行编码,得到所述编码模块输出的光谱空间联合特征;其中,编码单元中的光谱kan模型通过第二类切比雪夫基函数对编码单元的输入进行编码,得到光谱编码特征,编码单元中的空间kan模型通过第二类切比雪夫基函数对编码单元的输入进行编码,得到空间编码特征,编码单元的输出包括光谱编码特征和空间编码特征融合后的结果;
5、通过所述分类器对所述光谱空间联合特征进行分类,得到所述待分类像素的分类结果。
6、在一些实施例中,所述编码单元的输入包括多个空间位置的通道向量数据,每个通道向量数据包括多个通道特征值;
7、将所述初始特征图输入所述编码模块中的首个编码单元,以通过所述l个编码单元对所述初始特征图进行编码,得到所述编码模块输出的光谱空间联合特征,包括:
8、通过光谱kan模型对通道特征值进行预处理,以使通道特征值落入第二类切比雪夫基函数的适用区间内,对预处理后的通道特征值进行角域变换,将角域变换后的通道特征值输入光谱kan模型的单变量函数,得到光谱编码特征;
9、所述单变量函数表示为多个阶次的第二类切比雪夫多项式的线性组合。
10、在一些实施例中,所述对预处理后的通道特征值进行角域变换,包括:
11、通过公式将预处理后的通道特征值映射至角域;通过公式对角度坐标进行通道自适应仿射变换;通过公式将变换后的角度坐标回映射至标量坐标域。其中,表示预处理后的通道特征值,表示编码单元在编码模块中所处的层数,表示空间位置索引,i表示通道索引,和为光谱kan模型中第i个通道的可学习参数。
12、在一些实施例中,将角域变换后的通道特征值输入光谱kan模型的单变量函数,包括:
13、将角域变换后的通道特征值输入公式,得到光谱编码特征;表示光谱编码特征,表示角域变换后的通道特征值,表示第k个阶次的第二类切比雪夫多项式的计算结果,表示编码单元在编码模块中所处的层数,表示空间位置索引,表示输出通道索引,i表示输入通道索引,d表示通道数量,m表示单变量函数中第二类切比雪夫多项式的最高阶数,为光谱域系数。
14、在一些实施例中,将所述初始特征图输入所述编码模块中的首个编码单元,以通过所述l个编码单元对所述初始特征图进行编码,得到所述编码模块输出的光谱空间联合特征,包括:
15、通过第二类切比雪夫多项式为空间kan模型构建卷积核,通过空间kan模型利用构建的卷积核对编码单元的输入进行卷积处理,得到空间编码特征。
16、在一些实施例中,所述通过第二类切比雪夫多项式为空间kan模型构建卷积核,包括:
17、在第二类切比雪夫多项式的适用区间内采样卷积核的纵向坐标和横向坐标;
18、分别对纵向坐标和横向坐标进行角域变换;
19、分别对变换后的纵向坐标和横向坐标进行多个阶次的第二类切比雪夫多项式计算;
20、根据计算结果构建二维正交基;
21、将构建的二维正交基合成为所述卷积核。
22、在一些实施例中,所述分别对纵向坐标和横向坐标进行角域变换,包括:
23、通过公式对纵向坐标进行角域变换,表示角域变换后的纵向坐标,,,表示纵向坐标,l表示编码单元在编码模块中所处的层数,, 为空间kan模型中用于纵向角域变换的参数;
24、通过公式对横向坐标进行角域变换,表示角域变换后的横向坐标,,,表示横向坐标,l表示编码单元在编码模块中所处的层数,, 为空间kan模型中用于横向角域变换的参数。
25、在一些实施例中,所述根据计算结果构建二维正交基,包括:
26、通过公式构建二维正交基,0≤m≤m,0≤n≤m,表示角域变换后的纵向坐标,表示角域变换后的横向坐标,表示二维正交基;
27、所述将构建的二维正交基合成为所述卷积核,包括:
28、通过公式将构建的二维正交基合成为所述卷积核,表示第l层编码单元中空间kan模型从第i个输入通道到第o个输出通道的卷积核,l表示编码单元在编码模块中所处的层数,为空间域系数。
29、在一些实施例中,所述通过所述分类器对所述光谱空间联合特征进行分类,得到所述待分类像素的分类结果,包括:
30、对所述光谱空间联合特征进行全局平均池化,得到全局特征向量;
31、将所述全局特征向量输入分类器,得到所述待分类像素的分类结果。
32、本说明书实施例还提供一种高光谱图像分类装置,包括:
33、映射模块,用于将高光谱图像中待分类像素的图像块映射为初始特征图;
34、编码模块,用于对所述初始特征图进行编码,得到光谱空间联合特征;其中,所述编码模块包括堆叠的l层编码单元,每个编码单元包括基于第二类切比雪夫基函数的光谱kan模型以及基于第二类切比雪夫基函数的空间kan模型;编码单元中的光谱kan模型通过第二类切比雪夫基函数对编码单元的输入进行编码,得到光谱编码特征,编码单元中的空间kan模型通过第二类切比雪夫基函数对编码单元的输入进行编码,得到空间编码特征,编码单元的输出包括光谱编码特征和空间编码特征融合后的结果;
35、分类器,用于根据所述光谱空间联合特征进行分类,得到所述待分类像素的分类结果。
36、本说明书实施例的技术方案,高光谱图像包括多个待分类像素。可以为每个待分类像素在高光谱图像中选择图像块,图像块中包含该待分类像素。可以将待分类像素的图像块输入所述映射模块,得到初始特征图;可以将所述初始特征图输入所述编码模块中的首个编码单元,以通过所述l个编码单元对所述初始特征图进行编码,得到所述编码模块输出的光谱空间联合特征;其中,编码单元中的光谱kan模型通过第二类切比雪夫基函数对编码单元的输入进行编码,得到光谱编码特征,编码单元中的空间kan模型通过第二类切比雪夫基函数对编码单元的输入进行编码,得到空间编码特征,编码单元的输出包括光谱编码特征和空间编码特征融合后的结果;可以通过所述分类器对所述光谱空间联合特征进行分类,得到所述待分类像素的分类结果。本说明书实施例的分类模型基于特定kan实现。所述特定kan为基于第二类切比雪夫基函数的kan。在所述特定kan中,单变量函数可以表示为第二类切比雪夫多项式的线性组合。由此,本说明书实施例可以利用第二类切比雪夫多项式在有限区间内的正交性和递推稳定性,构建适用于高光谱连续非周期信号的函数表示机制,并进一步通过光谱分支和空间分支分别建模跨波段变化与局部空间结构,从而提高复杂场景下高光谱图像分类的准确性和稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com