本发明涉及高光谱图像跨场景分类方法。
背景技术：
1、高光谱图像分类是高光谱图像的主要应用之一。早期，高光谱图像分类方法主要是基于机器学习的经典方法。例如[1]中，一种基于稀疏编码器的无监督分类方法被提出，不同于传统的手工特征，文献[1]所提出方法能够通过学习基于堆叠稀疏自动编码器的特征映射函数来实现无监督分类。然而，稀疏编码器依赖于人工调参，不具备较好的泛化性。
2、近年来，深度学习的出现缓解了这个问题。在高光谱图像分类中，流行的深度学习框架主要包括卷积神经网络(convolutional neural network,cnn)[2]-[3]、图卷积神经网络(graph convolutional neural networks,gcn)[4]-[5]和transformer[6]-[9]，并且涌现出了一系列优秀的高光谱图像分类方法[10]-[16]。其中cnn具有敏锐的局部感知能力，能够有效地捕捉到局部特征，从而更好地处理图像中的平移、缩放和旋转等变换。例如[17]中，一种结合旋转不变注意力(rotation-invariant attention,ria)的卷积神经网络被提出，ria利用校正注意力模块来提取旋转不变的空间光谱注意力，很好地缓解了空间旋转的问题。相比于cnn，gcn和transformer具有显著的全局感知能力，能够更好的捕获上下文语意。具体来说，gcns能够考虑节点之间的全局关系，而传统的神经网络主要关注局部的特征关系。gcns通过聚合节点的邻居信息来更新节点的表示[18]，从而能够更好地捕捉节点在全局图结构中的上下文关联关系。如在[19]中,空间池化与gcn被结合起来用于捕获高光谱图像的全局空间拓扑特征，并且该方法被证明了优于一些基于cnns方法。相比于gcns中需要迭代更新节点表示的过程，transformer模型可以进行并行计算，从而具有更高的计算效率。此外，transformer能够更全面地捕捉长距离依赖和上下文关系。在[20]中，一种结合了对抗学习的空谱编码transformer被提出，通过两个不同阶段的训练取得了良好的泛化性和显著地分类效果。
3、随着深度学习的快速发展，高光谱图像分类技术已经取得了显著地进展。然而，常见的高光谱图像分类仅在单个场景上进行训练和分类，很难将所学的知识迁移到其它场景上[21]。此外，现有的方法大多为有监督的分类方法，难以在没有标签的情况下对获得的真实数据进行测试。即当面临新的场景时，现有方法需要获取当前场景的一些标签样本用于训练，然后才能进行分类。然而在实际应用中，对高光谱图像进行标注往往会消耗大量资源。因此，如何将源域场景上所学到的知识有效地迁移到目标域是非常有意义的。可喜的是，一种域适应方法被提出用于自然图像分类中[22]-[26]。该方法通过使用具有足够标记样本的源域(source domain，sd)来对具有少量甚至没有标记的目标域(target domain，td)进行分类。例如，一种深度自适应网络(deep adaptive network，dan)[27]被提出，dan通过多核最大均值差异(mk-mmd)来度量，实现多个自适应层同时对齐特征空间。此外，[28]中提出了一种深度子域自适应网络(dsan)，它定义了子域的概念，并使用本地mdd分别对齐相关子域。
4、然而，与自然图像不同，高光谱图像的获取过程不可避免地受到各种因素的影响[29]-[31]。例如传感器，天气条件和拍摄角度，这导致相同土地覆盖类别的sd和td存在光谱波段的变化以及空间分布的差异，即“光谱偏移”和“空间偏移”[32]-[33]。因此，实际任务中，一方面现有模型在特征学习时受到当前场景的限制，另一方面待评价区域是不确定的。为了缓解这个问题，一种拓扑结构与语义信息传递网络(topological structure andsemantic information transfer network,tstnet)被提出[34]。tstnet将cnn与gcn结合以弥补cnn只能建模局部空间关系的不足。此外，tstnet引入了最大均值差异(maximum meandiscrepancy，mmd)以使得源域与目标域能够更好的对齐。虽然这些方法在跨场景的高光谱图像分类上取得了显著的成果，但是在进行域对齐时忽视了每个类别的对齐效果，这极大地限制了跨场景高光谱图像分类的分类效果。
技术实现思路
1、本发明的目的是为了解决现有跨场景高光谱图像分类方法在进行域对齐时忽视了每个类别的对齐效果，导致跨场景高光谱图像分类的分类准确率低的问题，而提出基于域适应网络的高光谱图像跨场景分类方法。
2、基于域适应网络的高光谱图像跨场景分类方法具体过程为：
3、步骤一、随机采样带标签的源域数据和不带标签的目标域数据，作为训练集；
4、所述数据为高光谱图像；
5、步骤二、构建基于多级特征对齐约束的域适应网络dan_mfac；
6、步骤三、将训练集输入基于多级特征对齐约束的域适应网络dan_mfac，获得训练好的基于多级特征对齐约束的域适应网络dan_mfac；
7、步骤四、将待测跨场景高光谱图像输入训练好的基于多级特征对齐约束的域适应网络dan_mfac，完成对待测跨场景高光谱图像的分类。
8、本发明的有益效果为：
9、本发明提出一种基于多级特征对齐约束的域适应网络(domain adaptivenetworkbased on multi-level feature alignment constraints,dan_mfac)。首先，一种多类别最大均值差异(maximum mean difference across multiple categories，mmd_mc)被设计，mmd_mc能够有效地对每个类别进行对齐，这更有利于跨场景高光谱图像分类。此外，为了更好地对齐每个类别，在mmd_mc的基础上，一种多级对齐约束策略(multi-levelfeature alignment constraints,mfac)被设计(level1、level2、level3)。最后，为了弥补基于cnn的方法无法建模远距离特征依赖关系的不足，本发明结合了具有全局感受野的transformer框架，以实现有效地高光谱图像跨场景分类，提高了跨场景高光谱图像分类的分类准确率。
10、为了更充分的利用源域与目标域之间的域不变特征，以改进高光谱图像跨场景分类的性能。在本发明中，一种基于多级特征对齐约束的域适应网络被提出(domainadaptive networkbased on multi-level feature alignment constraints,dan_mfac)。首先，一种多类别最大均值差异(maximum mean difference across multiplecategories，mmd_mc)被设计，mmd_mc能够有效地对每个类别进行对齐，以弥补传统的域适应方法仅对总体的特征分布进行对齐的不足，这更有利于提升跨场景高光谱图像分类的性能。此外，为了更有效地利用两个域的域不变特征，在mmd_mc的基础上，一种多级特征对齐约束策略(multi-level feature alignment constraints,mfac)被设计。最后，考虑到单一的卷积神经网络(cnn)难以捕获长远距离特征之间的相互依赖关系，在高光谱跨场景分类中，首次将transformer与cnn进行有效地结合。最后，在3个跨场景数据集上，通过大量的实验证明了所提出的dan_mfac具有优于一些最先进方法的分类性能，且具有较强的鲁棒性。
11、本发明的主要贡献包括以下三个部分：
12、1)为了在高光谱图像域适应过程中实现每个类别的局部对齐，一种多类别最大均值差异(maximum mean difference across multiple categories，mmd_mc)被设计。mmd_mc能够通过对特征空间的重组，实现高光谱图像中每个类别的有效对齐。
13、2)考虑到在高级特征的提取过程中，容易受到冗余信息的干扰。为了充分利用源域与目标域的域不变特征，mmd_mc和mmd被进行了有效地结合，设计了一种多级对齐约束策略(multi-level feature alignment constraints,mfac)。mfac能够缓解冗余信息的干扰并实现更有效的特征分布的对齐。
14、3)为了缓解单一的cnn框架难以建模远距离特征依赖关系的问题，在跨场景的高光谱图像分类任务中，本发明首次通过融合模块将具有全局感受野的transformer框架与cnn框架进行了融合，以实现有效地高光谱跨场景分类。
1.基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述步骤二中构建基于多级特征对齐约束的域适应网络dan_mfac；具体过程为：
3.根据权利要求2所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述步骤三中将训练集输入基于多级特征对齐约束的域适应网络dan_mfac，获得训练好的基于多级特征对齐约束的域适应网络dan_mfac；具体过程为：
4.根据权利要求3所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述步骤三一中将随机采样的带标签的源域数据输入特征编码器，得到带标签的源域数据编码后特征；
5.根据权利要求4所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述步骤三二中使用多类别最大均值差异mmd_mc同时对步骤三一得到的带标签的源域数据编码后特征和不带标签的目标域数据编码后特征进行处理，得到处理后的带标签的源域数据编码后特征和不带标签的目标域数据编码后特征；具体过程为：
6.根据权利要求5所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述步骤三三中将步骤三一得到的带标签的源域数据编码后特征输入cnn分支，cnn分支提取带标签的源域数据的谱空间特征；
7.根据权利要求6所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述将步骤三一得到的带标签的源域数据编码后特征依次输入第一点卷积块piont-sizeconv block、多尺度组卷积块multiscale group conv block、第二点卷积块piont-sizeconv block，输出带标签的源域数据的谱空间特征；具体过程为：
8.根据权利要求7所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述将步骤三一得到的不带标签的目标域数据编码后特征依次输入第一点卷积块piont-size conv block、多尺度组卷积块multiscale group conv block、第二点卷积块piont-wise conv block，输出不带标签的目标域数据的谱空间特征；具体过程为：
9.根据权利要求8所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述步骤三五中采用融合模块融合步骤三三cnn提取的谱空间特征和transformer提取的谱空间特征，得到融合后特征；具体过程为：
10.根据权利要求9所述的基于域适应网络的高光谱图像跨场景分类方法，其特征在于：所述mmd_mc和mmd构成多级特征对齐约束mfac；
