[發明專利]攜帶光譜信息和空間信息的圖像分類方法及系統

在審

• 申請號: 202010699245.3
• 申請日: 2020-07-20
• 公開（公告）號: CN111797941A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 王永成;張欣;張寧;徐東東;陳波
• 申請（專利權）人: 中國科學院長春光學精密機械與物理研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王雨

本發明公開了一種攜帶光譜信息和空間信息的圖像分類方法及系統，將圖像進行依次級聯的至少兩次預設處理，以提取圖像的光譜特征信息和空間特征信息，進一步根據圖像經過各次預設處理后得到的特征圖像包含的特征信息，輸出圖像的分類結果。本攜帶光譜信息和空間信息的圖像分類方法及系統通過對圖像進行依次級聯的至少兩次預設處理對圖像提取光譜特征和空間特征，其中光譜特征提取結構和空間特征提取結構分別進行多層的提取特征，能夠充分地提取圖像的光譜特征信息和空間特征信息，從而根據獲得的圖像特征信息對圖像分類，能夠提高分類準確率。

技術領域

本發明涉及計算機視覺應用技術領域，特別是涉及一種攜帶光譜信息和空間信息的圖像分類方法及系統。

背景技術

高光譜遙感圖像由數百個連續的光譜波段構成，包含了大量的光譜信息與地物的空間信息。與全色圖像和多光譜圖像相比，高光譜圖像具有更高的分辨率，為地物的精細分類帶來了廣闊的發展前景。

傳統的高光譜圖像分類方法由于均采用手工提取特征的方式，特征的表達能力有限，且對于其他的場景泛化能力較差，從而限制了高光譜圖像分類的進一步發展。

隨著科學技術的發展，深度學習在圖像處理領域大放異彩，已被應用于高光譜圖像分類之中。與傳統的高光譜圖像分類方法相類似，基于深度學習的高光譜遙感圖像的分類方法也可分為基于光譜特征的高光譜分類、基于空間特征的高光譜分類、基于空譜聯合特征的高光譜分類。其中，基于空譜聯合特征的高光譜分類方法由于能夠同時包含空間信息和光譜信息，因而具有更好的分類效果。典型的方法是采用三維卷積神經網絡同時提取空譜特征，卷積神經網絡作為深度學習中的一種有效的模型，已經在計算機視覺領域取得了重大突破。然而，雖然基于深度學習的高光譜遙感圖像分類領域取得了令人矚目的進展，但仍然面臨著巨大的挑戰，其中如何進一步提高分類準確率，是需要繼續探索的問題。

發明內容

本發明的目的是提供一種攜帶光譜信息和空間信息的圖像分類方法及系統，能夠提高分類準確率。

為實現上述目的，本發明提供如下技術方案：

一種攜帶光譜信息和空間信息的圖像分類方法，包括：

將圖像進行依次級聯的至少兩次預設處理，所述預設處理包括分別將輸入圖像輸入到光譜特征提取結構和空間特征提取結構處理，得到包含光譜特征信息和空間特征信息的特征圖像；

其中，所述光譜特征提取結構包括依次級聯的第1至第l層第一函數，輸入圖像分別輸入第1至第l層第一函數，第i層第一函數輸出的特征圖像分別輸入到第i+1至第l層第一函數，每一層第一函數用于根據輸入的特征圖像提取光譜特征，而輸出得到的特征圖像，i∈[1，l)，l為大于等于1的正整數；

所述空間特征提取結構包括依次級聯的第1至第s層第二函數，輸入圖像分別輸入第1至第s層第二函數，第j層第二函數輸出的特征圖像分別輸入到第j+1至第s層第二函數，每一層第二函數用于根據輸入的特征圖像提取空間特征，而輸出得到的特征圖像，j∈[1，s)，s為大于等于1的正整數；

根據圖像經過各次所述預設處理后得到的特征圖像包含的特征信息，輸出圖像的分類結果。

優選的，所述第一函數包含由k個大小為l×l×a的三維卷積核進行的卷積操作，或者所述第二函數包含由k個大小為a×a×l的三維卷積核進行的卷積操作。

優選的，所述預設處理還包括：根據得到包含光譜特征信息和空間特征信息的特征圖像包含的特征信息，獲得不同通道的權重，根據不同通道的權重對該特征圖像的不同通道重新標定，將得到的特征圖像作為該次預設處理的輸出。

優選的，根據得到包含光譜特征信息和空間特征信息的特征圖像包含的特征信息，獲得不同通道的權重包括：

將得到包含光譜特征信息和空間特征信息的特征圖像進行三維平均池化處理，得到大小為1×1×1×C的通道統計序列；