[發(fā)明專利]基于NAPC的高光譜圖像特征提取的并行加速方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110178449.7
• 申請(qǐng)日: 2021-02-09
• 公開(kāi)（公告）號(hào): CN112801853B
• 公開(kāi)（公告）日: 2022-04-15
• 發(fā)明（設(shè)計(jì)）人: 楊文婧;李春潮;彭元喜;周侗;劉煜;李雪瓊;黃達(dá);徐利洋;藍(lán)龍;任靜;徐煒遐;楊紹武
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍國(guó)防科技大學(xué)
• 主分類號(hào): G06T1/20
• 分類號(hào): G06T1/20;G06V10/40;G06V10/764;G06K9/62
• 代理公司: 國(guó)防科技大學(xué)專利服務(wù)中心 43202
• 代理人: 王文惠

本發(fā)明公開(kāi)了一種基于NAPC的高光譜圖像特征提取的并行加速方法。其步驟為：S1：輸入高光譜原始圖像數(shù)據(jù)，通過(guò)padding改變尺寸來(lái)達(dá)到后續(xù)計(jì)算空間優(yōu)化；S2：初始化后，搭建核函數(shù)完成噪聲估計(jì)，調(diào)用SGEMMS庫(kù)計(jì)算協(xié)方差矩陣，并利用cusolver對(duì)噪聲協(xié)方差矩陣進(jìn)行第一次SVD變換；S3：用SVD分解結(jié)果計(jì)算調(diào)整后的觀測(cè)矩陣，對(duì)其進(jìn)行第二次SVD變換；S4：利用提出的新的選取規(guī)則自適應(yīng)確定降維數(shù)K值，并根據(jù)K值裁剪得到調(diào)整矩陣，繼續(xù)計(jì)算得到最終的變換矩陣與降維后的數(shù)據(jù)。關(guān)閉整套函數(shù)調(diào)用，釋放空間。計(jì)算結(jié)果顯示并行部署的特征提取效果在分類準(zhǔn)確性上保持很高的水準(zhǔn)，并在計(jì)算開(kāi)銷上與OpenCV和PyTorch的實(shí)現(xiàn)相比有很大的加速比，滿足更高的實(shí)時(shí)性要求。

技術(shù)領(lǐng)域

本發(fā)明主要涉及到高光譜圖像特征提取的并行化及實(shí)時(shí)性，特指一種基于NAPC的高光譜圖像并行加速方法。

背景技術(shù)

高光譜成像技術(shù)在紫外、可見(jiàn)光、紅外等電磁波譜范圍內(nèi)以納米級(jí)的光譜分辨率，對(duì)待測(cè)地物表面連續(xù)的多達(dá)數(shù)百個(gè)光譜波段上同時(shí)成像，即同步獲取地物的光譜信息與空間分布信息。高光譜圖像是一個(gè)二維圖形空間和一維光譜的圖像立方體，同時(shí)描述了目標(biāo)分布的二維空間圖像信息和目標(biāo)光譜特征的一維光譜信息，實(shí)現(xiàn)“圖譜合一”。每個(gè)像元是由數(shù)百個(gè)窄波段的光譜信息構(gòu)成的完整而連續(xù)的光譜曲線，具有相同連續(xù)光譜曲線的一組像元表示同種地物，不同的光譜曲線表示不同的地物類別的空間分布。相對(duì)于可見(jiàn)光和多光譜相機(jī)，高光譜成像光譜儀可以獲取更加豐富的地物光譜信息，待測(cè)地物更加細(xì)微的光譜屬性得到反映,廣泛應(yīng)用于遙感、軍事、農(nóng)業(yè)、醫(yī)學(xué)、環(huán)境監(jiān)測(cè)等諸多領(lǐng)域。

有效的特征提取成為關(guān)鍵。為了提高高光譜數(shù)據(jù)的應(yīng)用效率，首先需要進(jìn)行數(shù)據(jù)降維。數(shù)據(jù)降維是高光譜圖像處理和應(yīng)用的首要研究方向之一，主要是以簡(jiǎn)化和優(yōu)化圖像特征為目的，利用低維數(shù)據(jù)來(lái)有效地表達(dá)高維數(shù)據(jù)的信息，同時(shí)也壓縮了數(shù)據(jù)量，更有利于信息的高精度快速提取。另外，由于傳感器儀器的誤差和其他環(huán)境因素的影響，高光譜圖像獲取的信息不可避免的會(huì)包含部分噪聲，使得獲取的高光譜圖像信息存在一定程度的“失真”。為了解決上述問(wèn)題，進(jìn)行高光譜圖像的數(shù)據(jù)降維同時(shí)，簡(jiǎn)化和優(yōu)化高光譜圖像特征，還要抑制噪聲，最大程度地保留圖像有效信息。

光譜特征主要包括線性的特征提取方法和非線性的特征提取方法。常見(jiàn)的線性特征提取方法有主成分分析(Principal Components Analysis，PCA)、獨(dú)立分量分析(Independent Component Analysis，ICA)、最大噪聲分?jǐn)?shù)變換(Maximum Noise Fraction，MNF)和線性判別分析方法(Linear Discriminant Analysis，LDA)等。常見(jiàn)的非線性降維方法則以基于流形學(xué)習(xí)、圖論和核變換的非線性特征提取方法為主。

噪聲適應(yīng)主成分分析方法(noise adaptive principal component algorithm,NAPC)首先對(duì)數(shù)據(jù)噪聲進(jìn)行估計(jì)，得到噪聲協(xié)方差矩陣，用于分離和調(diào)節(jié)數(shù)據(jù)中的噪聲，去除數(shù)據(jù)噪聲的相關(guān)性，并對(duì)噪聲進(jìn)行歸一化處理，得到方差為1且不相關(guān)的噪聲數(shù)據(jù)；然后，分別對(duì)噪聲數(shù)據(jù)和信號(hào)數(shù)據(jù)進(jìn)行PCA變換，并求PCA變換后數(shù)據(jù)的信噪比；最后，由大到小排列信噪比，得到數(shù)據(jù)的各主成分信息。PCA是根據(jù)方差大小來(lái)獲取主成分信息，而NAPC是由信噪比大小來(lái)確定主成分信息，減少了噪聲的影響，是MNF的一種變化形式，達(dá)到相同的目的的另外一種計(jì)算形式，即在完成特征降維的同時(shí)進(jìn)行降噪處理，是一種常用的有效的特征提取方法。對(duì)比文件CN103500343A提出基于MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜影像分類方法，該方法通過(guò)MNF在降噪的同時(shí)，能夠有效地降低高光譜數(shù)據(jù)的維數(shù)。在此基礎(chǔ)上，將降維后的光譜信息和EAP濾波所得的紋理信息組合，再利用K-type SVM降低計(jì)算代價(jià)同時(shí)又和RBF核具有相似的性能的特點(diǎn)，從而提高了高光譜遙感影像的分類精度。對(duì)比文件CN106897668A提供了一種基于遙感影像的草地退化程度自動(dòng)提取方法，利用MNF進(jìn)行波段優(yōu)選，降低了數(shù)據(jù)處理量，提高提取效率，基本消除椒鹽效應(yīng)，能對(duì)草地退化信息進(jìn)行有效提取，達(dá)到了理想的提取精度。