CN114418027B - 一种基于波段注意力机制的高光谱图像特征波段选择方法 - Google Patents
一种基于波段注意力机制的高光谱图像特征波段选择方法 Download PDFInfo
- Publication number
- CN114418027B CN114418027B CN202210094799.XA CN202210094799A CN114418027B CN 114418027 B CN114418027 B CN 114418027B CN 202210094799 A CN202210094799 A CN 202210094799A CN 114418027 B CN114418027 B CN 114418027B
- Authority
- CN
- China
- Prior art keywords
- band
- hyperspectral image
- attention
- wave band
- hyperspectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 18
- 238000010187 selection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000000701 chemical imaging Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 229910052736 halogen Inorganic materials 0.000 claims description 5
- 150000002367 halogens Chemical class 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- IZUPBVBPLAPZRR-UHFFFAOYSA-N pentachlorophenol Chemical group OC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl IZUPBVBPLAPZRR-UHFFFAOYSA-N 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 240000008574 Capsicum frutescens Species 0.000 description 2
- 241001529734 Ocimum Species 0.000 description 2
- 235000010676 Ocimum basilicum Nutrition 0.000 description 2
- 239000001390 capsicum minimum Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于波段注意力机制的高光谱图像特征波段选择方法，包括步骤：高光谱图像数据集采集与预处理；利用注意力模块提取原始高光谱图像的光谱特征信息，生成包含波段注意力信息的光谱数据块；将包含波段注意力信息的数据块输入基于三维残差网络的神经网络进行预测分析。本发明的有益效果是：本发明利用波段注意力模块生成波段注意力图；通过元素乘法对原始数据加权，本发明基于注意力模块挑选的特征波段具有代表性，并且总体神经网络模型连接三维残差网络进行预测分析，具有良好性能；本发明面向对象级别进行样本分析，将整个原始数据块作为输入，将特征波段选择与预测任务相结合，是一种高有效性、高普适性的方法。
Description
技术领域
本发明属于特征波段选择技术领域，尤其涉及一种基于波段注意力机制的高光谱图像特征波段选择方法。
背景技术
高光谱图像(HSI)连续光谱带提供了丰富的生化信息，广泛应用于土壤环境监测、植物元素含量分析和疾病检测等各个领域。原始HSI数据通常包含几十甚至几百个光谱波段，然而，波段过多会导致休斯现象，因此，有效选择高光谱图像特征波段对于减少冗余和噪声、降低数据存储和分析难度十分重要。
在现有方法中，将卷积神经网络与特定算法结合是主流手段，其中，注意力机制表现出了良好的选取能力。现有方法大多是在像素级别对研究样本波段特征进行分析，例如，Att-CNNs、BS-Net等，都对HIS原数据进行了扁平化处理，并且忽略了光谱维度波段之间的相互关联和区别；将卷积神经网络与特定算法结合对于进一步区分波段之间重要程度是至关重要的，是提高模型性能的一个关键突破口。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于波段注意力机制的高光谱图像特征波段选择方法。
这种基于波段注意力机制的高光谱图像特征波段选择方法，包括以下步骤：
步骤1、高光谱图像数据集采集与预处理；
步骤2、利用注意力模块提取原始高光谱图像的光谱特征信息，生成包含波段注意力信息的光谱数据块；
步骤2.1、通过平均池化操作(AvgPool)生成原始高光谱图像H的空间-光谱描述符通过最大池化操作(MaxPool)生成原始高光谱图像H的空间-光谱描述符/>
步骤2.2、将空间-光谱描述符和/>输入共享MLP网络进行特征变换；共享MLP网络包含两个隐藏层W0和W1，共享MLP网络的层与层之间使用ReLU激活函数；
步骤2.3、将共享MLP网络的输出特征向量相加，经过sigmoid函数(用σ表示)，得到波段注意图Mb(H)：
上式中，MLP(AvgPool(H))为对原始高光谱图像H进行平均池化后，再输入共享MLP网络得到输出特征向量的函数；W1和W0为共享MLP网络的两个层；σ()表示sigmoid函数；
步骤2.4、在原始高光谱图像H和波段注意图Mb(H)之间使用元素乘法生成包含波段注意力信息的光谱数据块H′：
步骤3、将包含波段注意力信息的数据块H′输入基于三维残差网络(3D ResNet)的神经网络进行预测分析：基于三维残差网络(3D ResNet)的神经网络对包含波段注意力信息的数据块H′进行回归和分类，同时训练注意力模块BAM(Band Attention Module，BAM)的参数，并保存预测效果最好的模型参数，得到预训练的带注意力模块的基于三维残差网络的神经网络(BAM-3D ResNet)；
步骤4、特征波段选取。
作为优选，步骤1具体包括以下步骤：
步骤1.1、利用高光谱成像系统对样本进行图像数据采集，得到高光谱图像数据集；为了减小采集过程中光照强度和分布变化对图像的影响，使用暗参考图像D和白色图像W对采集到的原始高光谱图像R0进行校正，校正后的图像R的计算公式为：
步骤1.2、将采集到的高光谱图像数据按设定比例划分训练集、测试集和验证集，训练集用于训练共享MLP网络模型，验证集用于初步评估共享MLP网络性能，测试集用于评估共享MLP网络的泛化能力；
步骤1.3、去除训练集、测试集、验证集中图像的背景干扰；
步骤1.4、调整训练集、测试集、验证集的图像大小。
作为优选，步骤1.1中高光谱成像系统包括可见及近红外(SNAPSCAN VNIR)高光谱成像相机、照明模块和图像采集平台；照明模块包含卤素灯。
作为优选，步骤1.1中利用高光谱成像系统对样本进行图像数据采集的具体方式为：将样本放置在采集平台上，相机与样本始终保持设定的垂直距离，并且样本始终处于高光谱成像相机视野范围内；对样本进行图像数据采集时，相机和样本均保持静止。
作为优选，卤素灯为150w；相机与样本始终保持34.5cm的垂直距离。
作为优选，步骤1.1所采集的高光谱图像的光谱覆盖470～900nm范围内的140个波长。
作为优选：
步骤1.2中将采集到的高光谱图像数据按照3:1:1的比例划分训练集、测试集和验证集；
步骤1.3中去除背景干扰的具体方式为：将800nm波段作为阈值波段，将0.15作为反射率阈值，将反射率小于0.15的像素值设置为0，作为背景；
步骤1.4通过以下方式调整图像大小：通过permute函数对高光谱图像数据进行高维矩阵运算，将采集到的高光谱图像的空间维度调整为160×160，确保改变大小后的图像保留完整的原始形态信息。
作为优选，步骤4具体包括以下步骤：
步骤4.1、将测试集中的原始高光谱图像Hi依次输入预训练的带注意力模块的基于三维残差网络的神经网络(BAM-3D ResNet)，记录利用注意力模块提取到的原始高光谱图像Hi对应的波段注意图Mb(Hi)的权重，用m表示波段数目，则Mb(Hi)的权重表示为其中/>代表维度；
步骤4.2、利用注意力模块BAM生成n个注意力图，将n个注意力图的权重相加，并使用Softmax函数将相加后的值映射到[0，1]的范围内，计算光谱维度的第b个波段的重要性指标Ib：
上式中，m表示总波段数目；
步骤4.3、根据重要性指标Ib对特征波段进行选取；Ib的值越大，代表对应波段越重要。
本发明的有益效果是：
本发明利用波段注意力模块生成波段注意力图；通过元素乘法对原始数据加权，本发明基于注意力模块挑选的特征波段具有代表性，并且总体神经网络模型连接三维残差网络进行预测分析，具有良好性能；本发明面向对象级别进行样本分析，将整个原始数据块作为输入，将特征波段选择与预测任务相结合，是一种高有效性、高普适性的方法。
本发明设计波段注意力算法，实现波段重要性程度的区分；将包含波段注意力机制的模块融入模型中，并且不对原始模型性能造成影响。
附图说明
图1是高光谱图像特征波段选择流程图；
图2是总体神经网络模型图；
图3是三维残差网络具体架构图；
图4是一个三维残差块的实现细节图；
图5是波段注意力算法执行图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例一
本申请实施例一提供了一种如图1所示基于波段注意力机制的高光谱图像特征波段选择方法：
步骤1、高光谱图像数据集采集与预处理；
步骤2、利用注意力模块提取原始高光谱图像的光谱特征信息，生成包含波段注意力信息的光谱数据块；
步骤3、将包含波段注意力信息的数据块输入基于三维残差网络(3D ResNet)的神经网络进行预测分析：基于三维残差网络(3D ResNet)的神经网络对包含波段注意力信息的数据块进行回归和分类，同时训练注意力模块BAM(Band Attention Module，BAM)的参数，并保存预测效果最好的模型参数，得到预训练的带注意力模块的基于三维残差网络的神经网络(BAM-3D ResNet)；
步骤4、特征波段选取。
实施例二
在实施例一的基础上，本申请实施例二提供了实施例一中基于波段注意力机制的高光谱图像特征波段选择方法的具体实现方式(如图2所示)：
1、高光谱图像数据集采集与预处理阶段
该阶段步骤如下：
1)利用高光谱成像系统对数据集图像进行采集；整个设备包括一个SNAPSCANVNIR(可见和近红外)高光谱成像相机，一个包含150w的卤素灯的照明模块和一个图像采集平台。在采集过程中，将样本放置在采集平台上，相机与样本始终34.5cm的垂直距离，并且保证样本始终处于相机视野范围内。整个过程中，相机和样本均保持静止。所采集的高光谱图像的光谱覆盖470～900nm范围内的140个波长。为了减小采集过程中光照强度和分布变化对图像的影响，使用暗参考图像D和白色图像W对采集到的原始高光谱图像R0进行了校正，校正后的图像R计算公式定义如下：
2)将采集到的数据按照3:1:1的比例划分训练集、测试集和验证集；在本实施例中，共采集了两个数据集，罗勒叶片数据集(包含540个样本)，辣椒叶片数据集(包含600个样本)；
3)去除背景干扰；由于在真实环境条件下拍摄的图像会受到角度和光强等各种环境因素的影响，高光谱图像的背景中会存在大量的噪声干扰。在实验中，为了最大限度地保留完整的样本信息，将800nm波段作为阈值波段，0.15作为阈值波段，将反射率小于0.15的像素作为背景，设置为0；
4)调整图像大小；通过permute函数实现高维矩阵运算，将采集到的高光谱图像空间维度调整为160×160，确保改变大小后的图像保留完整的原始形态信息。
2、利用注意力模块提取光谱特征信息阶段
该阶段步骤如下：
1)分别通过平均池化和最大池化操作生成高光谱图像H的空间-光谱描述符和/>
2)将空间-光谱描述符和/>输入共享MLP网络进行特征变换，MLP包含两个隐藏层W0和W1，每层之间使用ReLU激活函数；
3)将MLP的输出特征向量相加，得到波段注意图Mb(H)，波段注意图的生成过程可以概括为：
上式中，MLP(AvgPool(H))为对原始高光谱图像H进行平均池化后，再输入共享MLP网络得到输出特征向量的函数；W1和W0为共享MLP网络的两个层；
4)在原始高光谱图像H和波段注意图Mb(H)之间使用元素乘法以生成包含波段注意力信息的光谱数据块，计算方式定义为：
3、预测分析阶段
该阶段步骤如下：
将包含波段注意力信息的数据块H′输入如图3和图4所示的基于3D ResNet的神经网络进行预测分析(包括回归和分类)任务，在此过程中训练注意力模块BAM(BandAttention Module，BAM)参数，并将预测效果最好的模型参数保存下来。波段注意力算法执行流程如图5所示。
4、特征波段选取阶段
该阶段步骤如下：
1)将测试集中的高光谱图像Hi依次输入预训练的BAM-3D ResNet，并记录利用注意力模块提取到的对应波段注意图Mb(Hi)的权重，用m表示波段数目，Mb(Hi)的权重表示为
2)将记录的利用BAM模块生成n个注意力图的权重相加，并使用Softmax函数将值映射到[0，1]的范围内，光谱维度的第b个波段的重要指标Ib计算方式为：
验证结果：
为了验证效果，本实施例采集了两个高光谱图像数据集，其一是罗勒叶片数据集，用于预测相对叶绿素含量的回归数据集，其二是辣椒叶片数据集，用于判断叶片是否遭遇过胁迫处理的分类数据集，所采集的高光谱图像包含140个波段。
实验共设计了两种对比方案：
方案一是基于两个数据集，和不同的方法进行比较，以验证总体模型基本的回归和分类准确性程度；因为本实施例的波段选择方法依赖于预训练的BAM模块，因此总体模型本身需要表现出较为理想效果，结果如下表1所示：
表1方案一中不同模型的预测准确性对比表
由上表1可知，和SVM、1D-CNN、2B-CNN和3D ResNet相比，BAM-3D ResNet在回归和分类任务上都表现出了更好的效果，其中，回归任务的R2指标值达到了0.881，分类任务的Accuracy指标达到了73.89％；
方案二是对比本实施例的波段选择方法和其它波段选择方法所选择的波段子集的有效性；本方案通过提取后的波段子集的回归或者分类准确度进行定量分析，为了公平起见，所有方法选择的波段子集数目相同，下表2是所有方法所选择的波段序列号结果，为了避免模型结构本身带来的影响，将基于各种方法选择的波段子集在SVM、1D-CNN、2B-CNN和3D ResNet上进行测试；
表2方案二不同方法挑选的波段子集表
下表3是实验结果数据，由下表3可以看出，对比传统方法SPA、GA和最新算法2B-CNN，利用该方法选择的波段子集在各个网络结构上均达到了最佳的回归和分类效果；
表3方案二不同特征波段选择方法有效性对比表
方案三是将经过特征波段选择后的波段子集与原始图像的回归、分类预测效果进行对比，以此来说明该方法的意义和必要性，实验结果如下表4所示，利用波段子集进行预测任务的性能普遍高于直接利用原始数据的效果，说明原始高光谱图像光谱维度确包含冗余信息。
表4方案三原始全光谱波段与波段子集的性能对比表
由实验结果可以看出本发明在特征波段有效选择方面取得了比较理想的效果。
Claims (8)
1.一种基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于，包括以下步骤：
步骤1、高光谱图像数据集采集与预处理；
步骤2、利用注意力模块提取原始高光谱图像的光谱特征信息，生成包含波段注意力信息的光谱数据块；
步骤2.1、通过平均池化操作生成原始高光谱图像H的空间-光谱描述符通过最大池化操作生成原始高光谱图像H的空间-光谱描述符/>
步骤2.2、将空间-光谱描述符和/>输入共享MLP网络进行特征变换；共享MLP网络包含两个隐藏层W0和W1，共享MLP网络的层与层之间使用ReLU激活函数；
步骤2.3、将共享MLP网络的输出特征向量相加，经过sigmoid函数，得到波段注意图Mb(H)：
上式中，MLP(AvgPool(H))为对原始高光谱图像H进行平均池化后，再输入共享MLP网络得到输出特征向量的函数；W1和W0为共享MLP网络的两个层；σ()表示sigmoid函数；
步骤2.4、在原始高光谱图像H和波段注意图Mb(H)之间使用元素乘法生成包含波段注意力信息的光谱数据块H′：
步骤3、将包含波段注意力信息的数据块H′输入基于三维残差网络的神经网络进行预测分析：基于三维残差网络的神经网络对包含波段注意力信息的数据块H′进行回归和分类，同时训练注意力模块BAM的参数，并保存预测效果最好的模型参数，得到预训练的带注意力模块的基于三维残差网络的神经网络；
步骤4、特征波段选取。
2.根据权利要求1所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于，步骤1具体包括以下步骤：
步骤1.1、利用高光谱成像系统对样本进行图像数据采集，得到高光谱图像数据集；使用暗参考图像D和白色图像W对采集到的原始高光谱图像R0进行校正，校正后的图像R的计算公式为：
步骤1.2、将采集到的高光谱图像数据按设定比例划分训练集、测试集和验证集，训练集用于训练共享MLP网络模型，验证集用于初步评估共享MLP网络性能，测试集用于评估共享MLP网络的泛化能力；
步骤1.3、去除训练集、测试集、验证集中图像的背景干扰；
步骤1.4、调整训练集、测试集、验证集的图像大小。
3.根据权利要求2所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于：步骤1.1中高光谱成像系统包括可见及近红外高光谱成像相机、照明模块和图像采集平台；照明模块包含卤素灯。
4.根据权利要求3所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于，步骤1.1中利用高光谱成像系统对样本进行图像数据采集的具体方式为：将样本放置在采集平台上，相机与样本始终保持设定的垂直距离，并且样本始终处于高光谱成像相机视野范围内；对样本进行图像数据采集时，相机和样本均保持静止。
5.根据权利要求4所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于：卤素灯为150w；相机与样本始终保持34.5cm的垂直距离。
6.根据权利要求2所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于：步骤1.1所采集的高光谱图像的光谱覆盖470～900nm范围内的140个波长。
7.根据权利要求2所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于：
步骤1.2中将采集到的高光谱图像数据按照3:1:1的比例划分训练集、测试集和验证集；
步骤1.3中去除背景干扰的具体方式为：将800nm波段作为阈值波段，将0.15作为反射率阈值，将反射率小于0.15的像素值设置为0，作为背景；
步骤1.4通过以下方式调整图像大小：通过permute函数对高光谱图像数据进行高维矩阵运算，将采集到的高光谱图像的空间维度调整为160×160。
8.根据权利要求2所述基于波段注意力机制的高光谱图像特征波段选择方法，其特征在于，步骤4具体包括以下步骤：
步骤4.1、将测试集中的原始高光谱图像Hi依次输入预训练的带注意力模块的基于三维残差网络的神经网络，记录利用注意力模块提取到的原始高光谱图像Hi对应的波段注意图Mb(Hi)的权重，用m表示波段数目，则Mb(Hi)的权重表示为其中/>代表维度；
步骤4.2、利用注意力模块BAM生成n个注意力图，将n个注意力图的权重相加，并使用Softmax函数将相加后的值映射到[0，1]的范围内，计算光谱维度的第b个波段的重要性指标Ib：
上式中，m表示总波段数目；
步骤4.3、根据重要性指标Ib对特征波段进行选取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210094799.XA CN114418027B (zh) | 2022-01-26 | 2022-01-26 | 一种基于波段注意力机制的高光谱图像特征波段选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210094799.XA CN114418027B (zh) | 2022-01-26 | 2022-01-26 | 一种基于波段注意力机制的高光谱图像特征波段选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114418027A CN114418027A (zh) | 2022-04-29 |
| CN114418027B true CN114418027B (zh) | 2024-03-26 |
Family
ID=81277161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210094799.XA Active CN114418027B (zh) | 2022-01-26 | 2022-01-26 | 一种基于波段注意力机制的高光谱图像特征波段选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114418027B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114946485B (zh) * | 2022-05-13 | 2023-07-07 | 广西壮族自治区林业科学研究院 | 一种基于vnir和opls-da预判桉树缺铁性黄化病的方法 |
| CN117953970B (zh) * | 2024-03-27 | 2024-06-11 | 山东大学 | 一种基于高光谱图像的肺癌多基因检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017128799A1 (zh) * | 2016-01-27 | 2017-08-03 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
| CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学（武汉） | 一种基于深度学习的高光谱图像波段选择方法 |
| CN113139512A (zh) * | 2021-05-14 | 2021-07-20 | 辽宁工程技术大学 | 基于残差和注意力的深度网络高光谱影像分类方法 |
| KR20210096925A (ko) * | 2020-01-29 | 2021-08-06 | 안수환 | 대용량 항공정사영상의 효율적인 색상보정 방법 |
| CN113642445A (zh) * | 2021-08-06 | 2021-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于全卷积神经网络的高光谱影像分类方法 |
-
2022
- 2022-01-26 CN CN202210094799.XA patent/CN114418027B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017128799A1 (zh) * | 2016-01-27 | 2017-08-03 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
| CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学（武汉） | 一种基于深度学习的高光谱图像波段选择方法 |
| KR20210096925A (ko) * | 2020-01-29 | 2021-08-06 | 안수환 | 대용량 항공정사영상의 효율적인 색상보정 방법 |
| CN113139512A (zh) * | 2021-05-14 | 2021-07-20 | 辽宁工程技术大学 | 基于残差和注意力的深度网络高光谱影像分类方法 |
| CN113642445A (zh) * | 2021-08-06 | 2021-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于全卷积神经网络的高光谱影像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于三维残差网络和虚拟样本的高光谱图像分类方法研究;刘雪峰;孟月;王浩;付民;;现代电子技术;20200615(12);全文 * |
| 深度残差网络的多光谱遥感图像显著目标检测;戴玉超;张静;Fatih PORIKLI;何明一;;测绘学报;20180615(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114418027A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114418027B (zh) | 一种基于波段注意力机制的高光谱图像特征波段选择方法 | |
| JP2022551683A (ja) | 人工知能（ａｉ）モデルを使用した非侵襲的遺伝子検査を行う方法及びシステム | |
| CN111160273A (zh) | 一种高光谱图像空谱联合分类方法及装置 | |
| CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
| CN115841594B (zh) | 基于注意力机制的煤矸高光谱变图像域数据识别方法 | |
| CN112115795B (zh) | 一种基于Triple GAN的高光谱图像分类方法 | |
| CN116167964A (zh) | 基于肿瘤高光谱图像的肿瘤分类方法及系统 | |
| CN116563606A (zh) | 一种基于双分支空谱全局特征提取网络的高光谱图像分类方法 | |
| CN115131503A (zh) | 一种虹膜三维识别的健康监测方法及其系统 | |
| CN116486251A (zh) | 一种基于多模态融合的高光谱图像分类方法 | |
| CN111626224A (zh) | 基于近红外光谱和ssa优化的elm的煤矸石快速识别方法 | |
| Silva et al. | Automatic detection of Flavescense Dorée grapevine disease in hyperspectral images using machine learning | |
| CN113256733B (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
| CN112528726A (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
| CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
| CN116630700A (zh) | 基于引入通道-空间注意力机制的遥感图像分类方法 | |
| CN116824171A (zh) | 中医高光谱舌象图像波段的选择方法及相关装置 | |
| CN116312860A (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
| CN113469084B (zh) | 基于对比生成对抗网络的高光谱图像分类方法 | |
| Sangamesh et al. | A Novel Approach for Recognition of Face by Using Squeezenet Pre-Trained Network | |
| CN112052881B (zh) | 基于多尺度近端特征拼接的高光谱图像分类模型的装置 | |
| Vakili et al. | Multi-class primary morphology lesions classification using deep convolutional neural network | |
| Rao et al. | Novel approach of Using Periocular and Iris Biometric Recognition in the Authentication of ITS |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |