[發明專利]基于空譜卷積核的高光譜圖像分類方法、存儲介質及設備

有效

• 申請號: 202010560570.1
• 申請日: 2020-06-18
• 公開（公告）號: CN111723731B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 馬文萍;馬昊翔;朱浩;武越;焦李成;馬夢茹;李亞婷
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V20/10;G06V10/26;G06V10/58;G06V10/762;G06V10/70;G06V10/82;G06N3/0464;G06N3/048;G06N3/09;G06N20/10
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

本發明公開了一種基于空譜卷積核的高光譜圖像分類方法、存儲介質及設備，輸入一個三維立方體高光譜圖像；對高光譜圖像數據集劃分；對高光譜圖像數據進行SLIC超像素分割，提取空間卷積核；提取光譜卷積核；將空間卷積核和光譜卷積核經多次卷積操作構成空譜卷積核預訓練網絡；將預訓練網絡的輸出特征圖輸入監督訓練網絡中進行訓練，訓練完畢后得到級聯監督訓練網絡，網絡輸出特征經由softmax函數實現圖像分類。本發明能更有效的利用圖像自身特征，實現高光譜圖像的快速、高準確率分類。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種基于空譜卷積核的高光譜圖像分類方法、存儲介質及設備。

背景技術

近年來，隨著光譜成像技術的不斷發展，對高光譜圖像的分析與處理已經成為遙感成像的熱點研究領域之一。高光譜圖像包含數百個連續的光譜帶，相較于多光譜圖像及全色圖像，可以提供更多更準確的地物信息，可更方便的揭示圖像細微光譜之間的特征聯系；但高光譜圖像本身也存在一些缺點，如光譜冗余度較高，標記樣本較少，圖像訓練時間較長等，因此針對高光譜圖像分類的網絡也主要基于以上幾方面改進。

早期的高光譜圖像分類主要以機器學習方法為主，依據光譜特征及適當的特征變換完成，如：支持向量機(Support?Vector?Machine，SVM)、k-近鄰算法(K-NearestNeighbor,K-NN)、樸素貝葉斯方法及決策樹等，其中SVM方法分類效果較好，能更大限度上的避免Houghes現象；但僅使用光譜信息很難準確區分地物類別，受外界因素影響，同一地物可能存在較大光譜差異，不同地物也可能產生相似光譜特征，因此基于空譜聯合的圖像分類方法漸漸涌現出來，如基于馬爾可夫隨機場(MRF)的方法、三維小波變化、三維Gabor變換等。隨著深度學習技術在各行各業中的廣泛應用，基于深度學習的高光譜圖像分類方法占據了主流，如自編碼器(AutoEncoder，AE)、深度信念網絡(Deep?Belief?Network，DBN)、卷積神經網絡(CNN)等。相較于傳統分類方法，深度學習網絡能自動從樣本中提取深度特征，從而更全面的表達數據本身特點。AE與DBN網絡中使用了較多的全連接層，隨著網絡層數的增加，將會有較大的計算開銷，而CNN網絡通過權值共享的方法較少了參數量，更高效的提升了網絡的特征表達能力，現已成為高光譜圖像分類的主流方法。

現有一種基于random?patches的高光譜圖像分類方法。該網絡直接從降維的圖像中隨機選擇若干塊(random?patches)視為卷積核且無需訓練，通過結合深淺層特征實現分類。但該方法也存在一定的不足：卷積核的選擇過于隨機，抽取的卷積核可能不具有過強的表征性；網絡對數據光譜信息沒有充分利用，且在降維的同時損失了部分光譜信息；無監督網絡雖然分類速度較快，但與監督網絡相比在分類精度上仍然有一定差距。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于空譜卷積核的高光譜圖像分類方法、存儲介質及設備，通過聯合空間卷積核與光譜卷積核對高光譜圖像中地物類別進行分類，可應用于災害檢測、環境監測、地質勘探、城市規劃等相關領域。

本發明采用以下技術方案：

一種基于空譜卷積核的高光譜圖像分類方法，包括以下步驟：

S1、輸入一個三維立方體高光譜圖像F，F∈R^m×n×c，R表示整個實數域，m表示整個輸入圖像的長度，n表示整個輸入圖像的寬度，c表示整個輸入圖像的通道數即光譜波段數；

S2、對高光譜圖像數據集劃分，將劃分的結果分配到對應類別所屬的集合中；

S3、對高光譜圖像數據進行SLIC超像素分割，提取空間卷積核；

S4、步驟S3完成后，提取光譜卷積核；

S5、將空間卷積核和光譜卷積核經多次卷積操作構成空譜卷積核預訓練網絡；