本發(fā)明涉及圖像處理，尤其涉及一種基于智能優(yōu)化的輕量化高光譜圖像分類方法及系統(tǒng)。

背景技術(shù)：

1、隨著地球觀測技術(shù)和硬件平臺日新月異的發(fā)展，高光譜傳感器可以產(chǎn)生更多的高光譜圖像數(shù)據(jù)來對不同類別的地物的確認并為物質(zhì)的詳細鑒定和準確估計豐度提供了潛在的可能，當前高光譜圖像分類技術(shù)廣泛應(yīng)用于軍事應(yīng)用、環(huán)境監(jiān)測和醫(yī)學(xué)診斷等，但高光譜圖像作為一種空間分辨率較低并具有較多冗余波段信息的三維立方體數(shù)據(jù)，采用現(xiàn)有分類方法在高光譜圖像分類實際應(yīng)用中仍面臨很大的挑戰(zhàn)，以卷積神經(jīng)網(wǎng)絡(luò)為基本框架的分類網(wǎng)絡(luò)容易忽略全局特征對高光譜圖像進行準確地物分類識別的難度較大，以transformer為主要框架的網(wǎng)絡(luò)雖能進行全局特征提取，卻往往忽略了局部特征，因此，研究一種計算效率高、參數(shù)數(shù)量少的高光譜圖像分類模型并通過更新網(wǎng)絡(luò)結(jié)構(gòu)能夠最優(yōu)化利用空間和光譜信息具有重要意義。

2、中國專利公開號為cn114118369a，名稱為“一種基于群智能優(yōu)化的圖像分類卷積神經(jīng)網(wǎng)絡(luò)設(shè)計方法”，該方法提供了一種基于群智能優(yōu)化的圖像分類卷積神經(jīng)網(wǎng)絡(luò)設(shè)計方法，與其他傳統(tǒng)智能優(yōu)化方法所獲得的模型相比雖然在圖像分類準確率和模型參數(shù)性能方面得到了提升，但只能提取淺層特征信息，同時，也存在計算復(fù)雜度高及泛化能力弱等問題有待解決。

3、因此，如何有效解決以上問題成為提升高光譜圖像分類性能的關(guān)鍵，值得進一步的研究改進。

技術(shù)實現(xiàn)思路

1、本發(fā)明解決上述技術(shù)問題的技術(shù)方案是，提供一種基于智能優(yōu)化的輕量化高光譜圖像分類方法，包括以下步驟：

2、s1.準備數(shù)據(jù)集：包括indian?pines數(shù)據(jù)集、pavia?university數(shù)據(jù)集和ksc數(shù)據(jù)集的高光譜圖像數(shù)據(jù)集，對每個數(shù)據(jù)集進行標注并用于高光譜圖像分類；

3、s2.構(gòu)建網(wǎng)絡(luò)模型：通過高頻特征提取分支、低頻特征提取分支和空譜特征提取分支進行提??；包括高低頻特征分離模塊、深度可分離卷積模塊、改進的vit網(wǎng)絡(luò)模塊、高光譜圖像波段重構(gòu)模塊、輕量化空譜注意力混合卷積模塊和多層感知模塊；

4、s3.訓(xùn)練網(wǎng)絡(luò)模型：分別以indian?pines數(shù)據(jù)集、pavia?university數(shù)據(jù)集和ksc數(shù)據(jù)集中的樣本數(shù)據(jù)為訓(xùn)練集，對網(wǎng)絡(luò)模型進行訓(xùn)練；

5、s4.確定評價指標：設(shè)定學(xué)習(xí)率、選擇網(wǎng)絡(luò)優(yōu)化器，并確定高光譜圖像分類精確度性能評價指標和輕量化性能評價指標；

6、s5.智能優(yōu)化模型：使用圖像數(shù)據(jù)集對模型進行訓(xùn)練和微調(diào)，采用新智能優(yōu)化模型算法lscoa對模型進行優(yōu)化，通過評價指標對分類結(jié)果進行對比，直至滿足條件，輸出最終的分類結(jié)果。

7、進一步地，所述高低頻特征分離模塊包括頻域特征卷積、歸一化層和r型激活函數(shù)層，用于將高光譜圖像數(shù)據(jù)分解為高頻特征和低頻特征。

8、進一步地，所述改進的vit網(wǎng)絡(luò)模塊包括圖像劃分patch、改進的多層交互注意力機制、位置編碼和transformer編碼器，通過以多層交互注意力機制為核心的方式將產(chǎn)生的圖像深層特征和淺層特征經(jīng)過拼接操作進行特征融合并給予各層間信息關(guān)聯(lián)性更多關(guān)注，用于在對全局特征進行有效提取的同時減少計算的復(fù)雜度。

9、進一步地，所述高光譜圖像波段重構(gòu)模塊通過波段間的相關(guān)性分析進行光譜上的波段匹配重構(gòu)，再進行光譜智能優(yōu)化學(xué)習(xí)重建出具有更高分辨率的高光譜圖像數(shù)據(jù)。

10、進一步地，所述輕量化空譜注意力混合卷積模塊包括三維卷積、cbam注意力機制、dropout層、se注意力機制、r型激活函數(shù)、平均池化層、二維卷積和全連接層，用于提取高光譜圖像的空譜特征；其中，所述cbam注意力機制包括光譜注意力模塊和空間注意力模塊。

11、進一步地，所述多層感知模塊包括輸入層、全連接層、g型激活函數(shù)層、隱藏層和輸出層，用于融合高頻特征、低頻特征和空譜特征，并輸出分類結(jié)果。

12、進一步地，所述新智能優(yōu)化模型算法lscoa結(jié)合正余弦優(yōu)化算法sca和光譜優(yōu)化算法lso，通過迭代更新個體位置，自適應(yīng)調(diào)整搜索空間的分辨率，用于找到最優(yōu)解。

13、為解決上述技術(shù)問題，本發(fā)明還提出一種基于智能優(yōu)化的輕量化高光譜圖像分類系統(tǒng)，用于執(zhí)行上述的基于智能優(yōu)化的輕量化高光譜圖像分類方法，包括：

14、數(shù)據(jù)準備模塊，用于準備和標注高光譜圖像數(shù)據(jù)集；

15、網(wǎng)絡(luò)模型構(gòu)建模塊，用于構(gòu)建包含高頻特征提取分支、低頻特征提取分支和空譜特征提取分支的輕量化高光譜圖像分類網(wǎng)絡(luò)模型；

16、訓(xùn)練模塊，用于在數(shù)據(jù)集中選取部分樣本數(shù)據(jù)作為訓(xùn)練集，對網(wǎng)絡(luò)模型進行訓(xùn)練；

17、評價指標確定模塊，用于設(shè)定學(xué)習(xí)率、選擇網(wǎng)絡(luò)優(yōu)化器，并確定高光譜圖像分類精確度性能評價指標和輕量化性能評價指標；

18、智能優(yōu)化模塊，用于使用圖像數(shù)據(jù)集對模型進行訓(xùn)練和微調(diào)，采用結(jié)合正余弦優(yōu)化算法sca和光譜優(yōu)化算法lso的新智能優(yōu)化模型算法lscoa對模型進行優(yōu)化，通過評價指標對分類結(jié)果進行對比，直至滿足最優(yōu)模型條件，輸出最終的分類結(jié)果。

19、進一步地，所述網(wǎng)絡(luò)模型構(gòu)建模塊還包括高低頻特征分離模塊、深度可分離卷積模塊、改進的vit網(wǎng)絡(luò)模塊、高光譜圖像波段重構(gòu)模塊、輕量化空譜注意力混合卷積模塊和多層感知模塊。

20、進一步地，所述智能優(yōu)化模塊采用新智能優(yōu)化模型算法lscoa，結(jié)合正余弦優(yōu)化算法sca和光譜優(yōu)化算法lso，通過迭代更新個體位置，自適應(yīng)調(diào)整搜索空間的分辨率，用于找到最優(yōu)解。

21、與現(xiàn)有技術(shù)相比，本發(fā)明所要保護的技術(shù)方案所具備的優(yōu)點及積極效果為：

22、(1)本發(fā)明創(chuàng)造了一種新的整體高光譜圖像分類模型，根據(jù)高頻特征信息關(guān)注高光譜圖像局部重要特征和低頻信息可以捕獲全局特征的特點構(gòu)建出了能夠有效提取高頻特征、低頻特征和空譜特征的三個分支，通過對特征進行聯(lián)合提取并融合有效提高整體分類模型的分類精度和特征的提取能力。

23、(2)本發(fā)明創(chuàng)造了一種新的對模型智能優(yōu)化更新的算法lscoa，通過將具有強適應(yīng)性和穩(wěn)定性的正余弦優(yōu)化算法和收斂性能更穩(wěn)定且更適用于高光譜圖像分類網(wǎng)絡(luò)的光譜優(yōu)化算法進行互補結(jié)合，更新迭代出最優(yōu)的高光譜圖像分類模型，使高光譜圖像的分類性能相較于優(yōu)化前得到顯著提高。

24、(3)本發(fā)明整體采用輕量化分類網(wǎng)絡(luò)模型能夠在高光譜圖像數(shù)據(jù)資源有限或應(yīng)用受限的場景中依然具有優(yōu)異的分類效率，通過評價指標分析出其在降低分類成本的同時更便于模型的訓(xùn)練和計算，大大縮短了測試耗費的時間，同時創(chuàng)造出了具有同樣優(yōu)異特性的輕量化空譜注意力混合卷積模塊。

25、(4)本發(fā)明在空譜特征提取分支中將能夠選擇出相關(guān)性較強通道的波段優(yōu)選方法和波段重構(gòu)方法進行結(jié)合，重建出具有更高分辨率的高光譜圖像，其具有更豐富的光譜特征和空間細節(jié)特征，便于在后續(xù)實現(xiàn)高光譜圖像在空譜聯(lián)合特征上進行精準提取使分類具有更高的準確性。

26、(5)本發(fā)明采用改進的vit模塊通過以全新提出的多層交互注意力機制為核心的方式將產(chǎn)生的圖像深層特征和淺層特征進行交互拼接操作，在進行特征融合的同時對各層間特征信息關(guān)聯(lián)性給予了更多關(guān)注，提取出具有更高的判別性的全局空間特征。