[發明專利]一種基于改良Ghost3D模塊和協方差池化的高光譜圖像分類方法

在審

• 申請號: 202011036420.7
• 申請日: 2020-09-27
• 公開（公告）號: CN112149747A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 朱俊超;陳健;朱時俊
• 申請（專利權）人: 浙江物產信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 杭州快知知識產權代理事務所(特殊普通合伙) 33293
• 代理人: 楊冬玲

1.一種基于改良Ghost3D模塊和協方差池化的高光譜圖像分類方法，其特征在于，包括：

根據主成分分析法，獲取高光譜遙感圖像中的光譜帶，所述光譜帶包括每個像素點中取固定空間大小的立方體數據；

根據輕量級網絡并基于所述立方體數據，獲取第三特征圖，其中，所述輕量級網絡包括多個Ghost3D模塊堆疊；

基于協方差池化方法，獲取所述第三特征圖中的二階信息，其中，所述二階信息記做第一特征向量；

將所述第一特征向量發送至全連接網絡，獲得所述高光譜遙感圖像的分類數據。

2.根據權利要求1所述的一種基于改良Ghost3D模塊和協方差池化的高光譜圖像分類方法，其特征在于，根據主成分分析法，獲取高光譜遙感圖像中的光譜帶，所述光譜帶包括每個像素點中取固定空間大小的立方體數據，包括：

獲取輸入數據X和目標函數，其中，所述目標函數如下：

其中，I是具L×L大小的單位矩陣，tr和T分別表示矩陣的跡和轉置操作，B是協方差矩陣，P是投影矩陣；

基于所述目標函數，獲取所述高光譜遙感圖像中的光譜帶。

3.根據權利要求1所述的一種基于改良Ghost3D模塊和協方差池化的高光譜圖像分類方法，其特征在于，根據所述立方體數據以及輕量級網絡，獲取第三特征圖，其中，所述輕量級網絡包括多個Ghost3D模塊堆疊，包括：

獲取所述Ghost3D模塊的第一特征圖；

基于三維卷積模型獲取第二特征圖；

將所述第一特征圖和所述第二特征圖沿著通道方向進行拼接，得到所述第三特征圖。

4.根據權利要求1所述的一種基于改良Ghost3D模塊和協方差池化的高光譜圖像分類方法，基于協方差池化方法，獲取所述第三特征圖中的二階信息，其中，所述二階信息記做第一特征向量，包括：

獲取矩陣Z；

基于所述矩陣Z，計算協方差矩陣C如下：

其中，z_i∈[z₁,z₂,...,z_N]，z_i為矩陣Z沿著第二維的第i個列向量，并且

將所述協方差矩陣C映射至歐式空間，得到矩陣F如下：其中，C＝UAU^T，A和U分別表示協方差矩陣C的特征值和特征向量，得到的矩陣F為對稱矩陣；

獲取由矩陣F的上三角數據組成的所述第一特征向量。

5.一種基于改良Ghost3D模塊和協方差池化的高光譜圖像分類裝置，其特征在于，包括：

獲取模塊：根據主成分分析法，獲取高光譜遙感圖像中的光譜帶，所述光譜帶包括每個像素點中取固定空間大小的立方體數據；

處理模塊：根據輕量級網絡并基于所述立方體數據，獲取第三特征圖，其中，所述輕量級網絡包括多個Ghost3D堆疊；

池化模塊：基于協方差池化方法，獲取所述第三特征圖中的二階信息，其中，所述二階信息記做第一特征向量；

發送模塊：將所述第一特征向量發送至三層全連接網絡，獲得所述高光譜遙感圖像的分類數據。

6.根據權利要求5所述的一種基于改良Ghost3D模塊和協方差池化的高光譜圖像分類裝置，其特征在于，所述獲取模塊包括：

第一獲取單元：獲取輸入數據X和目標函數，其中，所述目標函數如下：

其中，I是具L×L大小的單位矩陣，tr和T分別表示矩陣的跡和轉置操作，B是協方差矩陣，P是投影矩陣；

第二獲取單元：基于所述目標函數，獲取所述高光譜遙感圖像的光譜帶。

7.根據權利要求5所述的一種基于改良Ghost3D模塊和協方差池化的高光譜圖像分類裝置，其特征在于，所述處理模塊包括：

第三獲取單元：獲取所述Ghost3D模塊的第一特征圖；

第四獲取單元：基于三維卷積模型獲取第二特征圖；

第五獲取單元：將所述第一特征圖和所述第二特征圖沿著通道方向進行拼接，得到所述第三特征圖。