[發明專利]基于廣義回歸神經網絡的風機設備高光譜圖像質量預測方法及系統

在審

• 申請號: 202011423811.4
• 申請日: 2020-12-08
• 公開（公告）號: CN112419302A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 馮濤;丁顯;宮永立
• 申請（專利權）人: 魯能集團有限公司;都城偉業集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中巡通大知識產權代理有限公司 11703
• 代理人: 李曉曉

本發明公開了一種基于廣義回歸神經網絡的風機設備高光譜圖像質量預測方法及系統，包括以下步驟：1)獲取若干高光譜圖像作為樣本，估計各高光譜圖像的噪聲特征；2)提取各高光譜圖像的模糊特征；3)提取各高光譜圖像的空間相關性及光譜間相關性；4)構造各高光譜圖像的相關相位一致性圖，獲取所述相關相位一致性圖灰度共生矩陣的灰度感知特征，其中，所述灰度感知特征包括角秒矩、對比度、熵及均勻性；5)構建基于廣義回歸神經網絡的高光譜圖像質量評價模型，對基于廣義回歸神經網絡的高光譜圖像質量評價模型進行訓練，然后利用訓練后的高光譜圖像質量評價模型預測待預測高光譜圖像的準確質量分數，該方法及系統能夠準確預測高光譜圖像的質量。

技術領域

本發明涉及一種高光譜圖像質量預測方法及系統，具體涉及一種基于廣義回歸神經網絡的風機設備高光譜圖像質量預測方法及系統。

背景技術

高光譜圖像將光學成像技術與光譜學技術相結合，不僅可以捕獲二維空間成像，還可以獲得每個高光譜像素內數十甚至數百個波段的光譜值。與其他類型的圖像相比，高光譜圖像具有更豐富的空間信息和光譜信息，便于特征識別和后續分析。

高光譜圖像的應用價值在很大程度上取決于圖像的信息質量。由于遙感圖像成像過程的復雜性，在圖像的形成、傳輸和接收過程中，圖像不可避免地會受到外部和內部的干擾。降級的圖像質量不可避免地會丟失一些特定的信息，這或多或少地限制了它們的進一步使用。此外，傳感器成像的實際過程通常會引入一定程度的模糊。此外，大量云的存在影響了光學遙感數據的質量，從而降低了圖像數據的利用率。這些噪音、模糊和云覆蓋會降低圖像質量并淹沒特征，使其難以理解和使用。因此，識別遙感圖像的質量水平對于圖像質量評價方法具有重要意義。

高光譜圖像包含了豐富的信息，這反過來給圖像處理帶來了許多困難。基于高光譜圖像的特征提取通常被稱為通過不同的方法選擇包含大量信息的波段或特征，以降低數據的冗余度。當高光譜圖像的波段數較大時，波段組合方式將呈指數增長，這將極大地影響后續算法的運行速度和復雜度。

發明內容

本發明的目的在于克服上述現有技術的缺點，提供了一種基于廣義回歸神經網絡的風機設備高光譜圖像質量預測方法及系統，該方法及系統能夠準確預測風機設備高光譜圖像的質量。

為達到上述目的，本發明所述的基于廣義回歸神經網絡的風機設備高光譜圖像質量預測方法包括以下步驟：

1)獲取若干高光譜圖像作為樣本，估計各高光譜圖像的噪聲特征；

2)提取各高光譜圖像的模糊特征；

3)提取各高光譜圖像的空間相關性及光譜間相關性；

4)構造各高光譜圖像的相關相位一致性圖，獲取所述相關相位一致性圖灰度共生矩陣的灰度感知特征，其中，所述灰度感知特征包括角秒矩、對比度、熵及均勻性；

5)構建基于廣義回歸神經網絡的風機設備高光譜圖像質量評價模型，再將步驟1)得到的各高光譜圖像的噪聲特征、步驟2)得到的各高光譜圖像的模糊特征、步驟3)得到的各高光譜圖像的空間相關性及光譜間相關性及步驟4)得到的灰度感知特征輸入到基于廣義回歸神經網絡的高光譜圖像質量評價模型中，對基于廣義回歸神經網絡的高光譜圖像質量評價模型進行訓練，然后利用訓練后的基于廣義回歸神經網絡的高光譜圖像質量評價模型預測待預測高光譜圖像的準確質量分數。

步驟1)中利用多元線性回歸方法估計各高光譜圖像的噪聲特征；

步驟2)中采用基于圖像直方圖的模糊評價算法提取各高光譜圖像的模糊特征。

步驟1)的具體操作過程為：

將高光譜圖像劃分為若干圖像塊，再利用相鄰波段的多元線性回歸擬合方法擬合均勻區域相鄰像素值的信號分離噪聲，然后計算各圖像塊的偏差，最后利用各圖像塊的偏差計算該高光譜圖像的噪聲特征。