[發明專利]基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法

有效

• 申請號: 202110276544.0
• 申請日: 2021-03-15
• 公開（公告）號: CN113052216B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 李忠偉;辛紫麒;郭防銘;王雷全;李琦;張雅靜
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/764;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 陸軍

1.一種基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法，包括以下步驟：

步驟0、通過w×w的窗口，將需要檢測溢油的高光譜圖像分割為多個大小為w×w的圖像塊，作為樣本數據，其中w為奇數；

步驟1、對所述高光譜圖像的數據進行圖結構化，得到光譜圖結構信息和空間圖結構信息，

其中，所述光譜圖結構信息包括以下信息：所述高光譜圖像中的具有光譜相似性的多個像素的各自的光譜特征；以及所述具有光譜相似性的多個像素彼此之間的光譜相似性，

其中，所述空間圖結構信息包括以下信息：所述高光譜圖像中的具有空間相似性的多個像素的各自的光譜特征；以及所述具有空間相似性的多個像素彼此之間的光譜相似性；

步驟2、將所述光譜圖結構信息和空間圖結構信息分別送入雙路圖U-NET卷積網絡中的一路，分別得到所述高光譜圖像的光譜圖特征和空間圖特征；

步驟3、對所述光譜圖特征和所述空間圖特征進行融合，得到空-譜圖特征；

步驟4、將所述空-譜圖特征送入分類器，以得到所述高光譜圖像的分類結果，

其中，步驟1包括：

步驟1-1、以所述高光譜圖像的每個像素作為中心像素，分別建立所述空間圖結構信息，

其中，所述空間圖結構信息由特征矩陣和鄰接矩陣構成，

所述空間圖結構信息的特征矩陣的元素值為中心像素及其相鄰像素的光譜特征值，所述空間圖結構信息的鄰接矩陣的元素值為中心像素與其相鄰像素的光譜相似性；

步驟1-2、對所述高光譜圖像的每個圖像塊，分別建立所述光譜圖結構信息，

其中，所述光譜圖結構信息由特征矩陣和鄰接矩陣構成，

所述光譜圖結構信息的特征矩陣的元素值為圖像塊中的中心像素以及與所述中心像素的光譜最相似的r個像素的光譜特征值，所述光譜圖結構信息的鄰接矩陣的元素值為所述中心像素與所述r個像素組成的r+1個像素彼此之間的光譜相似性。

2.根據權利要求1所述的基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法，其中，在步驟1之前，還包括以下步驟：

步驟0-1、對所述高光譜圖像的數據進行預處理，包括數據歸一化和數據降維。

3.根據權利要求1或2所述的基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法，其中，所述光譜相似性的度量定義如下：

其中，x_i,x_j為需度量的兩個像素的光譜特征值，λ為寬度參數。

4.根據權利要求1或2所述的基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法，其中，對于每個圖像塊而重復執行所述步驟2至4，以產生與每個圖像塊相對應的多個分類結果。

5.根據權利要求4所述的基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法，其中，所述步驟2至4是基于圖卷積神經網絡實現的，所述樣本數據作為訓練集或測試集，

其中，在訓練階段，使用主損失函數，其采用交叉損失熵，定義如下：

其中，p＝{p₁,p₂,…,p_n}是使用空-譜圖特征分類所得到的概率分布，p_k是類別k的概率，m是像素標簽的種類的數目，是像素地面真值的獨熱編碼表示。

6.根據權利要求5所述的基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法，其中，對于每個圖像塊，利用自適應梯度下降優化算法優化交叉損失熵，重復進行步驟2至4。

7.根據權利要求1所述的基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法，其中，所述w×w的窗口的分割步長為1，所述圖像塊的總數與高光譜圖像的像素總數相同。

8.根據權利要求1所述的基于雙路圖U-NET卷積網絡的溢油高光譜圖像檢測方法，其中，在所述雙路圖U-NET卷積網絡中的一路中，經過四層圖卷積與圖池化后，得到四種尺度的特征{s₁,s₂,s₃,s₄}，之后進行四層圖反卷積，在反卷積的同時，將四種尺度的特征組合，最后得到多尺度的光譜圖特征與空間圖特征S＝{s₁；s₂；s₃；s₄}，S為四種尺度進行組合后的多尺度特征；

所述步驟2包括：

步驟2-1、通過注意力模塊，從所述光譜圖特征和空間圖特征中篩選出有效特征波段，

其中，所述注意力模塊的篩選函數定義如下：

其中，W_θ,W_g,W分別代表卷積核參數Conv_θ,Conv_g，Conv，并且，卷積核為1×1的卷積核。