[發明專利]高光譜圖像特征識別方法、裝置、設備及存儲介質

在審

• 申請號: 202010934307.4
• 申請日: 2020-09-09
• 公開（公告）號: CN112070008A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 曾山;胡志剛;康鎮
• 申請（專利權）人: 武漢輕工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 張志江

1.一種高光譜圖像特征識別方法，其特征在于，所述高光譜圖像特征識別方法包括：

獲取待檢測目標物的高光譜圖像數據；

通過預設相似性度量融合策略以及預設聚類融合策略對所述高光譜圖像數據進行分組，得到子波段組；

對所述子波段組進行稀疏處理，得到稀疏子波段集；

根據子波段置信度值對所述稀疏子波段集進行選擇，得到目標特征波段；

通過所述目標特征波段對所述待檢測目標物進行識別。

2.如權利要求1所述的高光譜圖像特征識別方法，其特征在于，所述通過預設相似性度量融合策略以及預設聚類融合策略對所述高光譜圖像數據進行分組，得到子波段組，包括：

遍歷預設相似性度量算法集，根據遍歷到的相似性度量算法對所述高光譜圖像數據進行計算，得到波段間相似性度量數據；

通過預設分數層融合策略將所述波段間相似性度量數據進行融合，得到相似性度量融合數據；

遍歷預設聚類算法集，根據遍歷到的聚類算法對所述相似性度量融合數據進行聚類處理，得到聚類數據；

通過預設決策層融合策略對所述聚類數據進行融合，得到子波段組。

3.如權利要求1所述的高光譜圖像特征識別方法，其特征在于，所述對所述子波段組進行稀疏處理，得到稀疏子波段集，包括：

根據預設子波段置信度估計模型計算出所述子波段組對應的子波段置信度值；

以所述子波段置信度值為權重構建組稀疏模型；

根據所述組稀疏模型對所述子波段組進行稀疏，得到稀疏子波段組；

根據稀疏主成分分析算法對所述稀疏子波段組進行二次稀疏，得到稀疏子波段集。

4.如權利要求3所述的高光譜圖像特征識別方法，其特征在于，所述根據稀疏主成分分析算法對所述稀疏子波段組進行二次稀疏，得到稀疏子波段集，包括：

獲取右奇異向量稀疏度、主成分個數以及迭代次數；

根據所述右奇異向量稀疏度以及主成分個數對所述稀疏子波段組進行奇異值分解處理，得到所述稀疏子波段組對應的左奇異向量矩陣以及右奇異向量矩陣；

根據所述迭代次數通過單因子懲罰矩陣分解算法對所述左奇異向量矩陣以及所述右奇異向量矩陣進行稀疏，得到稀疏后的左奇異向量矩陣以及稀疏后的右奇異向量矩陣；

根據所述稀疏后的左奇異向量矩陣以及所述稀疏后的右奇異向量矩陣得到方差貢獻率，根據所述方差貢獻率得到投影矩陣；

根據所述投影矩陣得到稀疏后的特征向量矩陣，將所述特征向量矩陣作為稀疏子波段集。

5.如權利要求4所述的高光譜圖像特征識別方法，其特征在于，所述根據所述迭代次數通過單因子懲罰矩陣分解算法對所述左奇異向量矩陣以及所述右奇異向量矩陣進行稀疏，得到稀疏后的左奇異向量矩陣和稀疏后的右奇異向量矩陣，包括：

獲取當前單因子迭代次數；

判斷所述當前單因子迭代次數是否小于所述迭代次數；

在所述當前單因子迭代次數小于所述迭代次數時，判斷所述右奇異向量矩陣對應的右奇異向量是否收斂；

在所述右奇異向量未收斂時，通過單因子懲罰矩陣分解算法對所述左奇異向量矩陣對應的左奇異向量以及所述右奇異向量進行約束；

在所述當前單因子迭代次數等于所述迭代次數或者在所述右奇異向量收斂時，得到目標左奇異向量以及目標右奇異向量；

根據所述目標左奇異向量得到稀疏后的左奇異向量矩陣，根據所述目標右奇異向量得到稀疏后的右奇異向量矩陣。