CN119169399B - 一种高光谱图像分类方法 - Google Patents

Abstract

本发明公开了高光谱图像处理领域的一种高光谱图像分类方法，旨在解决难以利用高光谱图像中复杂信息导致识别准确性低技术问题。其包括：首先通过初步特征提取处理剔除无用信息；利用KAN卷积运算处理时元素之间相互学习激活的特性捕捉空间和光谱特征，并利用自适应注意力机制放大空间和光谱特征，减少无用信息对计算资源的占用；自适应注意力机制采用基于汉明距离计算查询和键之间的相似性，可以降低无用信息的不良影响；利用重聚焦卷积自适应调整特征图中每个局部区域的响应强度，通过响应强度控制特征表达，实现对图像深度细节信息的挖掘，充分利用高光谱图像中存在复杂的空间关系和纹理信息，提高分类效率和准确性。

Description

一种高光谱图像分类方法

技术领域

本发明涉及一种高光谱图像分类方法，属于高光谱图像处理领域。

背景技术

随着遥感技术的快速发展，高光谱图像已广泛应用于环境监测、资源管理等领域。高光谱图像具有丰富的光谱信息，能够提供比传统图像更细致的物质组成信息。然而，由于高光谱数据的维度高和信息量大，传统的图像处理技术在精确分类和实时处理方面面临巨大挑战。

深度学习，尤其是卷积神经网络CNN，已成为处理高光谱图像的有效手段。这些网络能够自动学习数据的层次特征，改善分类准确率。但高光谱图像通常包含几百个波段，维度非常高，这给特征提取和分类带来了很大挑战。训练样本有限：在实际应用中，获取高质量的标注训练样本往往成本较高。算法需要在样本有限的情况下仍能有效学习。复杂的空间信息，高光谱图像中存在复杂的空间关系和纹理信息，常规的分类算法难以充分利用这些信息。

发明内容

本申请的目的在于克服现有技术中的不足，提供一种特征提取能力强、充分利用样本信息的高光谱图像分类方法。

为达到上述目的，本申请是采用下述技术方案实现的：

第一方面，本申请提供一种高光谱图像分类方法，包括，

获取高光谱图像，从所述高光谱图像中提取出第一特征图；

对所述第一特征图进行KAN卷积运算以捕捉空间和光谱特征；

使用自适应注意力机制更新所述第一特征图，以放大所述第一特征图中空间和光谱特征，得到第二特征图，所述自适应注意力机制基于汉明距离计算查询和键之间的相似性；

对所述第二特征图进行重聚焦卷积，调整所述第二特征图中局部区域的响应强度，根据每个局部区域的响应强度放大局部区域内的特征表达，得到第三特征图；

将所述第三特征图中的特征进行线性组合，识别被线性组合后的特征得到分类结果。

在第一方面的一些实施例中，所述从所述高光谱图像中提取出第一特征图，包括，使用滤波器扫描所述高光谱图像中每个局部区域，提取关键特征位置；针对所述关键特征位置对所述高光谱图像进行KAN卷积运算，获得第一特征图；使用脉冲激活函数对所述第一特征图进行二值化处理；

所述使用自适应注意力机制更新所述第一特征图，以放大所述第一特征图中空间和光谱特征，得到第二特征图，还包括，使用脉冲激活函数对经过所述自适应注意力机制处理后的第一特征图进行二值化处理；对二值化处理后的第一特征图进行KAN卷积运算，以获得突出所述空间和光谱特征的第一特征图；使用脉冲激活函数再对突出了所述空间和光谱特征的第一特征图进行第二次二值化处理，实现所述第一特征图内噪声的抑制；通过多尺度池化操作降低第二次二值化处理后的第一特征图的维度；其中，降维后的第一特征图通过下式计算获取：

，

式中，为降维后的第一特征图，和分别为坐标，为池化窗口大小，为池化遍历元素的计数序号，为第二次二值化处理后的第一特征图；

根据降维后的第一特征图得到第二特征图。

在第一方面的一些实施例中，所述对所述第二特征图进行重聚焦卷积，调整所述第二特征图中局部区域的响应强度，根据每个局部区域的响应强度放大局部区域内的特征表达，得到第三特征图，包括，

对所述第二特征图进行多次重聚焦卷积，在每次完成重聚焦卷积之后，使用脉冲激活函数对所述第二特征图进行二值化处理以放大局部区域内的特征表达；

每次重聚焦卷积过程如下：

通过下式计算重聚焦卷积后的特征值：

，

式中，为重聚焦卷积后的特征值，为重聚焦卷积核的权重矩阵，为输入的第二特征图，和分别为坐标，为偏置项，用于在重聚焦卷积操作中调整输出的偏移量；

引入可学习参数动态调整重聚焦卷积后的特征值，动态调整后的特征值通过下式计算获取：

，

式中，为第条通道被动态调整后的特征值，表示通道索引，为第条通道的可学习参数，用于控制第条通道的响应强度，是重聚焦卷积后的第条通道的特征值；

根据被动态调整后每条通道的特征值进行重组，获得完成单次重聚焦卷积的第二特征图。

在第一方面的一些实施例中，

对于经过特征表达放大的第二特征图，还使用自适应注意力机制进行更新，所述自适应注意力机制基于汉明距离计算查询和键之间的相似性，根据所述查询和键之间的相似性优化所述第二特征图中的关键特征；

对使用自适应注意力机制进行更新后的第二特征图再进行重聚焦卷积更新；

通过多尺度池化操作降低经过再进行重聚焦卷积更新后的第二特征图的维度，降维后的第二特征图通过下式计算获取：

，

式中，为降维后的第二特征图，为池化窗口大小，为池化遍历元素的计数序号，为经过再进行重聚焦卷积更新后的第二特征图；

根据降维后的第二特征图得到第三特征图。

在第一方面的一些实施例中，所述将所述第三特征图中的特征进行线性组合，识别被线性组合后的特征得到分类结果，包括，

根据下式获取所述被线性组合后的特征：

，

式中，为自适应注意力机制中全连接层的权重矩阵，为第三特征图，为偏置项，为被线性组合后的特征。

在第一方面的一些实施例中，所述KAN卷积运算的运算式如下：

，

式中，和分别为坐标，为光谱维度，为KAN卷积运算后的第一特征图，为KAN卷积核的权重矩阵，和分别为卷积核的坐标，表示KAN卷积核的滑动操作，为卷积核的光谱维度，为坐标和光谱维度为处的像素值；

所述KAN卷积运算的首个卷积核采用高斯径向基函数卷积核。

在第一方面的一些实施例中，所述使用脉冲激活函数对所述第一特征图进行二值化处理的处理公式如下：

，

式中，和分别为坐标，为光谱维度，为二值化处理后的第一特征图，表示后面的不等式为执行条件，为激活阈值，为第一特征图。

在第一方面的一些实施例中，所述使用自适应注意力机制更新所述第一特征图，包括，

对所述第一特征图进行线性变换处理，获得查询向量、键向量和值向量；

通过汉明距离计算查询向量和键向量之间的相似性，所述相似性通过下式计算获取：

，

式中，为汉明距离的计算操作，为查询向量，为键向量，为查询向量的计数序号，为键向量的计数序号，表示查询向量与键向量之间的相似性，为第个查询向量中第个元素，为第个键向量中第个元素，表示二进制向量的异或操作，计算结果为1时表示两个元素不相同，计算结果为0时表示两个元素相同，为向量的元素长度，为元素的计数序号；

基于所述查询向量和键向量之间的相似性，生成注意力权重，所述注意力权重通过下式计算获取：

，

式中，为相似性的计数序号，为第个查询向量和第个键向量的注意力权重；

根据注意力权重和值向量生成新的特征向量，根据新的特征向量获得更新后的第一特征图，所述特征向量通过下式计算获取：

，

式中，示更新后的特征向量，代表值向量的计数序号，为与键向量对应的值向量。

第二方面，本申请还提供一种计算机设备，包括处理器以及与所述处理器连接的存储器，在所述存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，执行如第一方面任一项实施例所述高光谱图像分类方法的步骤。

第三方面，本申请还提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现第一方面任一项实施例所述高光谱图像分类方法的步骤。

与现有技术相比，本申请所达到的有益效果：

本申请提供的高光谱图像分类方法，首先通过对高光谱图像进行初步特征提取处理，初步剔除无用信息，获取作为后续处理基础的特征图；利用KAN卷积运算处理特征图时元素之间相互学习激活的特性，从初步得到的特征图中高效率地捕捉空间和光谱特征，并利用自适应注意力机制更新所述特征图，以放大特征图中空间和光谱特征，以将计算资源集中在空间和光谱特征上，减少无用信息对计算资源的占用，实现对高光谱图像中复杂信息的利用率；自适应注意力机制采用基于汉明距离的计算来查询和键之间的相似性，可以降低有用信息中夹杂的无用信息在特征图进行重聚焦卷积时的不良影响；利用重聚焦卷积自适应调整特征图中每个局部区域的响应强度，通过响应强度控制特征表达，实现对图像深度细节信息的挖掘，充分利用高光谱图像中存在复杂的空间关系和纹理信息，提高分类效率和准确性。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本实施例提供的高光谱图像分类方法的步骤流程图；

图2是本实施例提供的高光谱图像分类方法中脉冲激活函数的脉冲编码过程对比简图；

图3是本实施例提供的高光谱图像分类方法中KAN卷积运算的过程简图；

图4是本实施例提供的高光谱图像分类方法中基于汉明距离的自适应注意力机制计算的过程简图；

图5是Pavia University高光谱图像数据集其中一幅高光谱的真实地物图像；

图6是图5对应的伪彩色图像；

图7为SVM对图5中地物的分类结果图；

图8为3D-CNN对图5中地物的分类结果图；

图9为KSANet对图5中地物的分类结果图；

图10是本实施例提供的计算机设备的原理示意框图。

具体实施方式

下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符"/"，一般表示前后关联对象是一种“或”的关系。

实施例一：

图1是本发明实施例一中的一种高光谱图像分类方法的流程图。本流程图仅仅示出了本实施例所述方法的逻辑顺序，在互不冲突的前提下，在本发明其它可能的实施例中，可以以不同于图1所示的顺序完成所示出或描述的步骤。

本实施例提供的高光谱图像分类方法可应用于终端，可以由图像分类装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在终端中，例如：任一具备通信功能的智能手机，平板电脑或计算机设备。参见图1，本实施的方法具体包括如下步骤：

获取高光谱图像，从所述高光谱图像中提取出第一特征图；这一步在于对高光谱图像进行初步处理，主要作用是结合图像的空间和光谱特征，从不同波段提取有用信息，有用信息主要指包含了高光谱图像中存在复杂的空间关系和纹理信息的信息，这一步骤旨在将无用信息进行初次排除，为后续的KAN卷积运算和基于汉明距离计算查询和键之间的相似性提供一个更好的输入源；提取出第一特征图的方式可以以本领域已知的其他形式来实现，在此不再赘述。

对所述第一特征图进行KAN卷积运算以捕捉空间和光谱特征；KAN卷积运算是一种新颖的卷积运算方式，KAN卷积不是简单地在内核和图像中相应像素之间应用点积，而是对每个元素应用可学习的非线性激活函数，然后将它们相加，因此利用KAN卷积运算代替传统的卷积运算，可以提高捕捉空间和光谱特征的效率，可以在不牺牲模型性能的前提下，减少方法执行的复杂度和计算量。

使用自适应注意力机制更新所述第一特征图，以放大所述特征图中空间和光谱特征，将最终更新后的第一特征图作为第二特征图，所述自适应注意力机制基于汉明距离计算查询和键之间的相似性；自适应注意力机制的主要作用在于对前期KAN卷积运算捕捉到的空间和光谱特征进行放大，放大后的特征容易被下一步的重聚焦卷积捕捉处理，使得下一步进行重聚焦卷积时主要聚焦在空间和光谱特征上；前文初次提取第一特征图时已经将将无用信息进行初次排除，此时再进行无用信息排除效果不强，相比之下，该机制在处理含有噪声或不完全匹配的数据时表现出色，使用自适应注意力机制更新所述第一特征图的措施是通过放大重要特征来降低第一特征图中非重要特征的干扰，在下一步重聚焦卷积时将更深度地抛弃非重要特征与无用信息；另外，以汉明距离计算查询和键之间的相似性，替代了传统的相似性计算方式，这种改造后的自适应注意力机制，对噪声和微小变化具有一定的鲁棒性，即便是重要特征、有用信息中夹藏了非重要特征与无用信息，也难以影响自适应注意力机制对第一特征图的最终更新输出的第二特征图。

对所述第二特征图进行重聚焦卷积，调整所述第二特征图中局部区域的响应强度，根据每个局部区域的响应强度放大局部区域内的特征表达，得到第三特征图；经过初步地对第一特征图提取以排除无用信息、自适应注意力机制更新第一特征图以放大空间和光谱特征、使用汉明距离计算替代传统的相似性计算来降低夹藏无用信息的影响之后，所得到第二特征图无用信息少，信息洁净，具备深度提取特征、提取细节特征的基础；第二特征图经过重聚焦卷积，通过自适应调焦机制动态调整对不同区域的响应。本领域技术人员不难看出，高光谱图像中存在复杂的空间关系和纹理信息，一方面常规的分类算法难以充分利用这些信息，另一方面也意味着图像信息具备一定的深度，无法细究深度细节可能会降低分类效果；而在之前的步骤已经通过多次剔除无用信息放大图像特征来降低信息处理难度，对第二特征图进行重聚焦卷积，在于自适应调整对局部区域的响应强度，捕捉细节特征，深度利用图像信息。

重聚焦卷积后最终得到的第三特征图包括多个被深度挖掘和放大的特征，即便在原有的高光谱图像中看起来相似的多个地物，也会因为细节上的差异在经历重聚焦卷积后显得大相径庭；获取第三特征图中具备高识别性的地物特征，进行线性组合，识别被线性组合后的特征获取分类结果。

本实施例提供的高光谱图像分类方法，首先通过对高光谱图像进行初步特征提取处理，初步剔除无用信息，获取作为后续处理基础的第一特征图；利用KAN卷积运算处理时元素之间相互学习激活的特性从初步得到的第一特征图中高效率地捕捉空间和光谱特征，并利用自适应注意力机制更新所述第一特征图并放大第一特征图中空间和光谱特征，以将计算资源集中在空间和光谱特征上，减少无用信息对计算资源的占用，实现对高光谱图像中复杂信息的利用率；自适应注意力机制采用基于汉明距离计算查询和键之间的相似性，可以降低有用信息中夹杂的无用信息在第二特征图进行重聚焦卷积时的不良影响；利用重聚焦卷积自适应调整第二特征图中每个局部区域的响应强度，通过响应强度控制特征表达，实现对图像深度细节信息的挖掘，充分利用高光谱图像中存在复杂的空间关系和纹理信息，根据第三特征图中被线性组合的特征进行分类，能提高分类效率和准确性。

实施例二：

本实施例提供一种高光谱图像分类方法，本实施例在实施例一的基础上进行了优化，以提高技术效果和细化技术方案，未在本实施例中详尽描述的内容详见实施例一。

可能作为实施例一中的前期步骤，从高光谱图像中提取出第一特征图也可以采用之前提到的KAN卷积运算。

具体地，使用滤波器扫描高光谱图像中每个局部区域，提取关键特征位置；再针对关键特征位置对高光谱图像进行KAN卷积运算，获得第一特征图；但本实施例为了降低后续步骤的计算量和突出特征，使用脉冲激活函数对第一特征图进行二值化处理，在进行信息量压缩的同时，增强了对关键特征的关注。

KAN卷积核负责对特定区域的像素和其周围像素进行加权求和，以获得局部的空间-光谱特征，结合图像的空间和光谱特征，从不同波段提取有用信息。通过此操作，提取的第一特征图将包含初步的局部特征信息，为后续的特征处理奠定基础。参考图2中的A示例，A示例进行了脉冲激活函数对第一特征图二值化处理的示例操作，其中，蓝色矩阵为输入的第一特征图，最后一个箭头末尾后的白色矩阵是输出的二值化处理后的第一特征图。

作为其中一种实施例，可以将高光谱图像分割为多个小块区域patch，以patch为输入单位，进行空间和光谱特征的初步提取输出，可以降低单次计算资源占用。

作为其中一种实施例，在使用自适应注意力机制放大第一特征图中空间和光谱特征之后，还可以进一步地进行降噪和特征突出，以和自适应注意力机制耦合作用于第一特征图。具体地，使用脉冲激活函数对经过自适应注意力机制处理后的第一特征图进行二值化处理，与之前提到的二值化处理作用些许不同，在此处起到进一步抑制噪声，突出关键特征的作用，即在自适应注意力机制放大的基础上进一步放大空间和光谱特征。参考图2中的B示例，B示例进行了脉冲激活函数对第一特征图二值化处理的示例操作，但与A示例不同的是，B示例中蓝色矩阵为输入的已经被二值化处理过一次的第一特征图，在B示例中，第一特征图被再次二值化，输出为最后一个箭头末尾后的白色矩阵。

作为其中一种实施例，在图1和图2所代表的脉冲激活函数中，以0.7作为激活阈值。

再次对第一特征图进行KAN卷积运算，将经过两次放大的特征从第一特征图中重新捕捉出来，从而获得了突出空间和光谱特征的第一特征图。

但本次KAN卷积运算后得到的第一特征图，可能会有夹带的噪声被同步放大，因此作为其中一种实施例，使用脉冲激活函数再对突出了所述空间和光谱特征的第一特征图进行第二次二值化处理，实现第一特征图内噪声的抑制。经过上述修正后的第一特征图可能具备较高的维度，为了确保后续步骤能够以较低的计算资源处理，此步骤通过多尺度池化操作降低第一特征图的维度，确保保留全局信息（全局信息与有用信息和无用信息是不同的概念），减少计算负担；其中，降维后的第一特征图通过下式计算获取：

，

式中，为池化后的第一特征图，即降维后的第一特征图，和分别为坐标，为池化窗口大小，为池化遍历元素的计数序号，为池化操作的输入特征图，即第二次二值化处理后的第一特征图。本实施例中其余有关多尺度池化降低特征图的维度的操作可以参考该公式处理。最后，根据降维后的第一特征图得到第二特征图。

对于信息深度与复杂度不同的高光谱图像，对应的第二特征图应进行不同次数的重聚焦卷积处理，作为其中一种实施例，每次重聚焦卷积过程如下：

通过下式计算重聚焦卷积后的特征值：

，

式中，为重聚焦卷积后的特征值，为重聚焦卷积核的权重矩阵，为输入的第二特征图，和分别为坐标，为偏置项，用于在重聚焦卷积操作中调整输出的偏移量。

重聚焦卷积旨在通过自适应调整卷积核的响应强度，对图像中的局部特征进行强化。根据重聚焦卷积后的特征值重组第二特征图，引入可学习参数动态调整特征值，本实施例采用可学习参数动态调整特征值以进行通道调节，通过调节通道控制特定区域的卷积核输出进行放大或缩小，使得特定通道的响应更为显著，进而控制关注图像中的细节部分；动态调整后的特征值通过下式计算获取：

，

式中，为第条通道被动态调整后的特征值，表示通道索引，为第条通道的可学习参数，用于控制第条通道的响应强度，是重聚焦卷积后的第条通道的特征值；

根据被动态调整后每条通道的特征值进行重组，获得完成单次重聚焦卷积的第二特征图。

引入可学习参数动态调整特征值，这种机制类似于对局部特征的加权，帮助模型在复杂的图像场景中更好地识别出重要的细节特征。

作为其中一种实施例，在每次完成重聚焦卷积之后，使用脉冲激活函数对第二特征图进行二值化处理以放大局部区域内的特征表达，确保局部重要特征得到有效放大和表达。

对于将经过特征表达放大的第二特征图，仍然有优化空间，可以通过高级注意力机制和全局特征优化，集成和优化多层次特征，并将其进一步降维。该过程主要为：使用自适应注意力机制更新经过特征表达放大的第二特征图，自适应注意力机制基于汉明距离计算查询和键之间的相似性，根据查询和键之间的相似性优化第二特征图中的关键特征；根据查询和键之间的相似性优化第二特征图中的关键特征，旨在基于汉明距离的注意力机制，计算高级特征（或称关键特征）之间的相互作用，优化关键特征，过滤夹杂在高级特征中的无用信息。

优化过的第二特征图，可再次利用重聚焦卷积其中多层次特征进行深度卷积处理，集成和优化图像中的深度特征。

经过上述处理后第二特征图的维度较高，因此，通过多尺度池化操作降低经过再进行重聚焦卷积更新后的第二特征图的维度，降维后的第二特征图通过下式计算获取：

，

式中，为池化后的第二特征图，即降维后的第二特征图，为池化窗口大小，为池化遍历元素的计数序号，为池化操作的输入第二特征图，即经过再进行重聚焦卷积更新后的第二特征图。

通过全局池化操作，降低特征维度，同时保持图像的全局关键信息。

实施例一提到，将所述第三特征图中的特征进行线性组合，识别被线性组合后的特征得到分类结果，在本实施例中，包括，

根据下式获取被线性组合后的特征：

，

式中，为自适应注意力机制中全连接层的权重矩阵，为多尺度池化操作后的特征图，即第三特征图，为偏置项，为被线性组合后的特征。

另外将大多数卷积过程统一为同一种或相类似的KAN卷积，提高了同一模块的利用率，降低存储消耗和软件优化难度。

本实施例中多次提到KAN卷积运算，作为其中一种实施例，参考图3，本实施例中同有关的KAN卷积运算式为：

，

式中，和分别为坐标，为光谱维度，为坐标为和、光谱维度为处的卷积结果，比如KAN卷积运算后的第一特征图，为KAN卷积核的权重矩阵，和分别为卷积核的坐标，表示KAN卷积核的滑动操作，为卷积核的光谱维度，为坐标和光谱维度为处的像素值；

KAN卷积运算的首个卷积核采用高斯径向基函数GaussianRBF卷积核，该函数通过度量输入数据点与卷积核中心的距离，并对这些数据加权求和来实现卷积。这个核函数对于高光谱图像中特有的连续光谱数据尤为适用，可以有效提取光谱和空间特征。

在本实施例的描述中，KAN卷积优选为快速KAN卷积。

对于KAN卷积与脉冲神经网络的结合，采用快速KAN卷积，提高了卷积运算的效率，并通过脉冲神经网络中的脉冲激活函数进一步优化特征提取的精度。KAN卷积能够在有限的计算资源下高效提取高光谱图像中的空间和光谱信息，并通过脉冲激活函数提升本方法对重要特征的关注。

本实施还多次使用脉冲激活函数二值化处理特征图，例如用脉冲激活函数对第一特征图进行二值化处理，作为其中一种实施例，二值化的特征图通过下式计算获得：

，

式中，为坐标为和、光谱维度为处的脉冲信号，比如二值化处理后的第一特征图，表示后面的不等式为执行条件，为激活阈值，用于决定是否生成脉冲信号。

传统的注意力机制通常依赖于连续值相似性计算，如点积或欧几里得距离来计算查询向量（Q）和键向量（K）之间的相似性。然而，在脉冲神经网络中应用时，该机制暴露出以下问题：

首先，连续值相似性不适用于脉冲信号：脉冲神经网络中的信号是二进制的0或1，传统的连续值相似性计算无法有效处理这种离散信号，导致相似性计算的准确性下降。

其次，计算复杂度高：处理脉冲信号时，传统注意力机制仍使用复杂的连续值计算，尤其在高维数据下，需要大量计算资源，严重影响处理效率。

最后，特征表达能力不足：由于脉冲信号的离散特性，传统机制难以捕捉特征间的细微相似性，影响分类性能，尤其在高光谱图像的复杂特征提取任务中表现不佳。

为了克服上述局限，参考图4，本实施例提出了二进制汉明核注意力机制，该机制专为处理脉冲信号而设计，能够通过计算脉冲信号之间的汉明距离，准确衡量查询向量和键向量之间的相似性，并优化特征表示；图4中，softmax为一种示例性质的激活函数。具体来说，汉明核注意力机制具备以下优势：

首先，适配脉冲信号的相似性计算：与传统的连续值相似性计算不同，汉明距离计算基于二进制信号的异或操作，更适合处理脉冲信号。通过计算脉冲信号间的汉明距离，该机制能够有效衡量查询向量（Q）和键向量（K）之间的离散相似性，从而增强脉冲神经网络的特征表示能力。

其次，计算复杂度低：汉明距离的计算非常高效，避免了连续值注意力机制中复杂的乘积和归一化操作，显著降低了模型的计算成本，特别是在处理高维脉冲信号时表现出色。

最后，强化关键特征：通过二进制汉明距离的相似性计算，注意力机制能够更加准确地识别并强化图像中的关键特征，使模型在高维度和复杂数据下的分类性能得到大幅提升。

此外，结合KAN卷积和自适应卷积的创新性设计，本实施例有效应对了高光谱图像的复杂性问题，进一步提高了分类的准确性和效率。

因此本实施例多次使用基于汉明距离计算相似度的自适应注意力机制更新特征图，比如使用该机制更新第一特征图，作为其中一种实施例，本实施例中自适应注意力机制通用的使用过程包括，

对第一特征图进行线性变换处理，获得查询向量、键向量和值向量；

通过汉明距离计算查询向量和键向量之间的相似性，相似性通过下式计算获取：

，

式中，为汉明距离的计算操作，汉明距离用于衡量两个二进制向量（即查询向量与键向量）的不同位数（即两条向量位置对应元素之间的“异或”操作），为查询向量，为键向量，为查询向量的计数序号，为键向量的计数序号，为第个查询向量中第个元素，为第个键向量中第个元素，:表示查询向量与键向量之间的汉明距离，既相似性，表示二进制向量的异或操作，计算结果为1时表示两个元素不相同，计算结果为0时表示两个元素相同，为向量的元素长度，为元素的计数序号；

基于查询向量和键向量之间的相似性，生成注意力权重，注意力权重通过下式计算获取：

，

式中，为相似性的计数序号，为第个查询向量和第个键向量的注意力权重；值得注意的是，用于对汉明距离进行衰减，距离越小权重越大；

根据注意力权重和值向量生成新的特征向量，根据新的特征向量获得第一特征图，特征向量通过下式计算获取：

，

式中，示更新后的特征向量，代表值向量的计数序号，为与键向量对应的值向量。

其余特征图可参考上述过程处理。

值得注意的是，在本实施例的描述中，脉冲神经网络结合多步长的脉冲信号进行逐层特征提取与分类，使用池化层对特征进行下采样，提升分类精度和效率。所述脉冲神经网络通过特征提取层从脉冲信号中提取关键特征后，结合注意力机制的结果进行高效分类。

为了优化高光谱图像中的特征相似性计算，本实施例引入了基于二值化脉冲信号的汉明距离注意力机制。与传统的连续值相似性计算不同，汉明距离能够更好地处理脉冲信号，通过计算查询向量和键向量之间的二进制相似性生成注意力权重。

本实施例通过重聚焦卷积对局部特征进行自适应调节，动态调整卷积核对不同区域的响应强度，确保复杂细节特征的有效提取。通过自适应调焦机制，模型能够重点关注局部复杂区域，从而提升特征提取的深度和准确性。

本实施例通过引入脉冲神经网络（SNN），结合快速Kolmogorov-Arnold（KAN）卷积与重聚焦卷积的创新设计，显著提升了高光谱图像的特征提取能力。脉冲神经网络模拟生物神经元的脉冲响应特性，能够高效处理时空数据，并动态调整模型对复杂特征的响应，确保分类的高精度。快速KAN卷积负责高效提取空间和光谱特征，而重聚焦卷积则通过自适应机制强化对局部细节的捕捉和优化。同时，二值化脉冲编码通过对每个像素进行自动化编码，生成高保真度的脉冲序列，极大提升了信息传输的效率和处理精度，特别是在训练样本稀缺的情况下，仍能维持高效学习和准确分类的性能。

本实施例通过实验验证本实施例提供的高光谱图像分类方法的性能优越性，选择Houston University 2013作为高光谱图像数据集，图5为Houston University 2013作为高光谱图像数据集中的一张高光谱图像真实地物图像，图6为图5的高光谱图像伪彩色图像，尺寸为349×1905像素，其中包含大量的背景像素，包含地物的像素总共只有15029个，这些像素中共包含15类地物，包括树、沥青道路、砖块、牧场等。每类样本选取100个用作训练，其余测试，则训练样本占总样本近10%。

实施例提供的高光谱图像分类方法定名为KSANet，作为对比，以现有技术中SVM、2D-CNN、3D-CNN、SpectralFormer和SNN作为同类对比项，对比内容为序号从1到15的九种地物类别的准确率，还包括根据从1到15的九种地物类别的准确率得出的总体准确率、平均准确率和KaKappa系数，获得如下的“不同图像分类方法的准确率对比表”。

表1 不同图像分类方法的准确率对比表

从表1得知，本实施例提供的KSANet的总体准确率达到 98.96%，明显高于其他方法，例如SVM的 93.19% 和2D-CNN的 97.23%。这表明KSANet在处理高光谱图像分类任务时具有更高的准确性。尤其是相较于3D-CNN，KSANet表现出较大的提升（91.82% vs 98.96%），这显示出KSANet在提取空间-光谱特征方面的优势。在多个类别中，KSANet达到了 100% 的分类准确率，例如在第5类（Bitumen）、第6类（Trees）和第15类（Running Track）。这种卓越的分类表现尤其体现在复杂和边界模糊的地物上，显示了KSANet对细节特征的高度敏感性。相比之下，3D-CNN在多个类别中的表现明显低于KSANet，如第2类（90.83%）和第8类（79.94%），显示出传统卷积神经网络在高维数据和复杂地物上的局限性。

通过本实验可以得出结论，本实施例提供的高光谱图像分类方法分类准确性明显高于竞品，在分类准确性提高的基础上分类效率也得到提高，很好地利用了高光谱图像中存在复杂的空间关系和纹理信息，进行高效率高准确性的图像识别。

为了可视化分类结果，图7和图8，分别为SVM和3D-CNN展示的分类结果图，图9展示了KSANet的分类结果图，图7、图8和图9所示的分类结果可以很明显的与表1相互验证本实验的结论。

本实施例通过引入脉冲神经网络、二进制汉明核注意力机制、重聚焦卷积以及快速KAN卷积，提出了一种有效的高光谱图像分类方法，能够在复杂数据和较少样本的条件下，显著提高分类的精度和效率。这种创新方法不仅在遥感图像分析中表现优异，还可应用于精准农业、环境监测等多种实际场景。

实施例三：

本实施例提供一种计算机设备，包括处理器以及与所述处理器连接的存储器，在所述存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，执行如实施例一或二提供的高光谱图像分类方法的步骤。

该计算机设备可以是服务器或电子终端，作为其中一种实施例，参考图10，该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储高光谱图像分类方法中获取和产生的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现实施例一或二提供的高光谱图像分类方法。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本实施例提供的计算机设备具备与实施例一或二相同的技术效果，在此不再赘述。

实施例四：

本实施例提供一种计算机程序产品，其上存储有计算机程序，该程序被处理器执行时实现实施例一或实施例二提供的高光谱图像分类方法的步骤。本实施例提供的计算机程序产品可通过互联网以信号的形式进行传输、分发和下载。

本实施例提供的计算机程序产品具备与实施例一或二相同的技术效果，在此不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种高光谱图像分类方法，其特征是，包括，

获取高光谱图像，从所述高光谱图像中提取出第一特征图；

对所述第一特征图进行KAN卷积运算以捕捉空间和光谱特征，

使用自适应注意力机制更新所述第一特征图，以放大所述第一特征图中空间和光谱特征，得到第二特征图，所述自适应注意力机制基于汉明距离计算查询和键之间的相似性；

对所述第二特征图进行重聚焦卷积，调整所述第二特征图中局部区域的响应强度，根据每个局部区域的响应强度放大局部区域内的特征表达，得到第三特征图；

将所述第三特征图中的特征进行线性组合，识别被线性组合后的特征得到分类结果；

所述使用自适应注意力机制更新所述第一特征图，以放大所述第一特征图中空间和光谱特征，得到第二特征图，还包括，获取二值化处理后的第一特征图，对二值化处理后的第一特征图进行KAN卷积运算，以获得突出所述空间和光谱特征的第一特征图；使用脉冲激活函数再对突出了所述空间和光谱特征的第一特征图进行第二次二值化处理，实现所述第一特征图内噪声的抑制；通过多尺度池化操作降低第二次二值化处理后的第一特征图的维度。

2.根据权利要求1所述高光谱图像分类方法，其特征是，所述从所述高光谱图像中提取出第一特征图，包括，使用滤波器扫描所述高光谱图像中每个局部区域，提取关键特征位置；针对所述关键特征位置对所述高光谱图像进行KAN卷积运算，获得第一特征图；使用脉冲激活函数对所述第一特征图进行二值化处理；

所述使用自适应注意力机制更新所述第一特征图，以放大所述第一特征图中空间和光谱特征，得到第二特征图，还包括，使用脉冲激活函数对经过所述自适应注意力机制处理后的第一特征图进行二值化处理；其中，降维后的第一特征图通过下式计算获取：

，

式中，为降维后的第一特征图，和分别为坐标，为池化窗口大小，为池化遍历元素的计数序号，为第二次二值化处理后的第一特征图；

根据降维后的第一特征图得到第二特征图。

3.根据权利要求1所述高光谱图像分类方法，其特征是，所述对所述第二特征图进行重聚焦卷积，调整所述第二特征图中局部区域的响应强度，根据每个局部区域的响应强度放大局部区域内的特征表达，得到第三特征图，包括，

对所述第二特征图进行多次重聚焦卷积，在每次完成重聚焦卷积之后，使用脉冲激活函数对所述第二特征图进行二值化处理以放大局部区域内的特征表达；

每次重聚焦卷积过程如下：

通过下式计算重聚焦卷积后的特征值：

，

式中，为重聚焦卷积后的特征值，为重聚焦卷积核的权重矩阵，为输入的第二特征图，和分别为坐标，为偏置项，用于在重聚焦卷积操作中调整输出的偏移量；

引入可学习参数动态调整重聚焦卷积后的特征值，动态调整后的特征值通过下式计算获取：

，

式中，为第条通道被动态调整后的特征值，表示通道索引，为第条通道的可学习参数，用于控制第条通道的响应强度，是重聚焦卷积后的第条通道的特征值；

根据被动态调整后每条通道的特征值进行重组，获得完成单次重聚焦卷积的第二特征图。

4.根据权利要求3所述高光谱图像分类方法，其特征是，

对于经过特征表达放大的第二特征图，还使用自适应注意力机制进行更新，所述自适应注意力机制基于汉明距离计算查询和键之间的相似性，根据所述查询和键之间的相似性优化所述第二特征图中的关键特征；

对使用自适应注意力机制进行更新后的第二特征图再进行重聚焦卷积更新；

通过多尺度池化操作降低经过再进行重聚焦卷积更新后的第二特征图的维度，降维后的第二特征图通过下式计算获取：

，

式中，为降维后的第二特征图，为池化窗口大小，为池化遍历元素的计数序号，为经过再进行重聚焦卷积更新后的第二特征图；

根据降维后的第二特征图得到第三特征图。

5.根据权利要求4所述高光谱图像分类方法，其特征是，所述将所述第三特征图中的特征进行线性组合，识别被线性组合后的特征得到分类结果，包括，

根据下式获取所述被线性组合后的特征：

，

式中，为自适应注意力机制中全连接层的权重矩阵，为第三特征图，为偏置项，为被线性组合后的特征。

6.根据权利要求1所述高光谱图像分类方法，其特征是，所述KAN卷积运算的运算式如下：

，

式中，和分别为坐标，为光谱维度，为KAN卷积运算后的第一特征图，为KAN卷积核的权重矩阵，和分别为卷积核的坐标，表示KAN卷积核的滑动操作，为卷积核的光谱维度，为坐标和光谱维度为处的像素值；

所述KAN卷积运算的首个卷积核采用高斯径向基函数卷积核。

7.根据权利要求2所述高光谱图像分类方法，其特征是，所述使用脉冲激活函数对所述第一特征图进行二值化处理的处理公式如下：

，

式中，和分别为坐标，为光谱维度，为二值化处理后的第一特征图，表示后面的不等式为执行条件，为激活阈值，为第一特征图。

8.根据权利要求1所述高光谱图像分类方法，其特征是，所述使用自适应注意力机制更新所述第一特征图，包括，

对所述第一特征图进行线性变换处理，获得查询向量、键向量和值向量；

通过汉明距离计算查询向量和键向量之间的相似性，所述相似性通过下式计算获取：

，

式中，为汉明距离的计算操作，为查询向量，为键向量，为查询向量的计数序号，为键向量的计数序号，表示查询向量与键向量之间的相似性，为第个查询向量中第个元素，为第个键向量中第个元素，表示二进制向量的异或操作，计算结果为1时表示两个元素不相同，计算结果为0时表示两个元素相同，为向量的元素长度，为元素的计数序号；

基于所述查询向量和键向量之间的相似性，生成注意力权重，所述注意力权重通过下式计算获取：

，

式中，为相似性的计数序号，为第个查询向量和第个键向量的注意力权重；

根据注意力权重和值向量生成新的特征向量，根据新的特征向量获得更新后的第一特征图，所述特征向量通过下式计算获取：

，

式中，示更新后的特征向量，代表值向量的计数序号，为与键向量对应的值向量。

9.一种计算机设备，其特征在于，包括处理器以及与所述处理器连接的存储器，在所述存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，执行如权利要求1至8任一项所述高光谱图像分类方法的步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至8中任一项所述高光谱图像分类方法的步骤。