一种具备抗噪性能的多网络融合高光谱图像分类方法

本发明为一种具备抗噪性能的多网络融合高光谱图像分类方法，通过引入CapsuleGAN网络及进行波段间的对比学习，扩展了数据集规模，助力生成更逼真的样本数据，提升了特征表达能力及模型的泛化能力及鲁棒性。利用卷积神经网络提取局部特征，并对提取的局部特征进行层次采样与重要性采样，分别生成图结构并进行特征融合以生成融合后图结构，作为GAT的输入，以整个融合模型进行训练，能够显著提升高光谱图像分类的性能，卷积神经网络提取的空间和光谱特征确保了局部特征信息的充分利用，并使数据特征进行了更全面的表达，更关注多维度特征的利用，并使模型面对大气、光照等干扰因素时更加稳定，从而提高了分类精度和鲁棒性。