[發(fā)明專利]基于核引導(dǎo)可變卷積和雙窗聯(lián)合雙邊濾波器的高光譜圖分類方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110361621.2
• 申請(qǐng)日: 2021-04-02
• 公開（公告）號(hào): CN113033686B
• 公開（公告）日: 2022-03-22
• 發(fā)明（設(shè)計(jì)）人: 馮收;朱文祥;趙春暉;吳丹;秦博奧;成浩;樊元澤;豐瑞
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/74;G06V10/774;G06V10/30;G06V20/10;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06V10/58
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 時(shí)起磊

1.基于核引導(dǎo)可變卷積和雙窗聯(lián)合雙邊濾波器的高光譜圖分類方法，其特征在于，包括以下步驟：

針對(duì)待分類的高光譜圖像，利用基于核引導(dǎo)可變卷積和雙窗聯(lián)合濾波的高光譜圖像分類模型進(jìn)行分類處理；

所述的基于核引導(dǎo)可變卷積和雙窗聯(lián)合濾波的高光譜圖像分類模型主要包括特征提取和再分類兩個(gè)階段；

在第一階段中，待分類的高光譜圖像的大小為H*W*B，對(duì)于高光譜圖像中任一個(gè)像素點(diǎn)A，取以該像素點(diǎn)為中心的N*N范圍的區(qū)域作為特征提取網(wǎng)絡(luò)的輸入；特征提取網(wǎng)絡(luò)的輸入就是大小為N*N*B的高光譜立方體塊；

首先，利用多層核引導(dǎo)可變卷積層組成特征提取網(wǎng)絡(luò)提取空譜特征；

然后，將提取出來的特征輸入到全連接層中，得到初始分類概率圖，大小為H*W*C；特征提取階段組成的網(wǎng)絡(luò)稱為核引導(dǎo)可變卷積網(wǎng)絡(luò)KDCNet；

在第二階段中，對(duì)于初始的分類概率圖中任一個(gè)像素點(diǎn)B，取以該像素點(diǎn)為中心的N₁*N₁范圍作為再分類階段中第一個(gè)雙窗聯(lián)合雙邊濾波器模塊的其中一個(gè)輸入；之后，取待分類的高光譜圖像中的像素點(diǎn)B為中心的N₁*N₁范圍的區(qū)域輸入到雙參數(shù)核模塊中，生成相似度圖；該相似度圖是第一個(gè)雙窗聯(lián)合雙邊濾波器模塊的另一個(gè)輸入；在再分類階段中，首先將大小為N₁*N₁的相似度圖和大小為N₁*N₁*C的初始的分類概率圖輸入到第一個(gè)雙窗聯(lián)合雙邊濾波器模塊中，經(jīng)過優(yōu)化后，再將優(yōu)化后的結(jié)果和大小為N₁*N₁的相似度圖輸入到第二個(gè)雙窗聯(lián)合雙邊濾波器模塊中；

對(duì)于初始的分類概率圖中任一個(gè)像素點(diǎn)進(jìn)行上述操作，輸出的結(jié)果就是最終的分類概率圖；對(duì)最終的分類概率圖進(jìn)行最大概率取值，得到最終的分類結(jié)果圖。

2.根據(jù)權(quán)利要求1所述的基于核引導(dǎo)可變卷積和雙窗聯(lián)合雙邊濾波器的高光譜圖分類方法，其特征在于，所述取以該像素點(diǎn)為中心的N*N范圍的區(qū)域作為特征提取網(wǎng)絡(luò)的輸入的過程中，如果中心像素鄰域區(qū)域范圍小于N*N，用0補(bǔ)全。

3.根據(jù)權(quán)利要求2所述的基于核引導(dǎo)可變卷積和雙窗聯(lián)合雙邊濾波器的高光譜圖分類方法，其特征在于，所述特征提取網(wǎng)絡(luò)為三層核引導(dǎo)可變卷積層組成特征提取網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求1、2或3所述的基于核引導(dǎo)可變卷積和雙窗聯(lián)合雙邊濾波器的高光譜圖分類方法，其特征在于，所述雙參數(shù)核模塊生成相似度圖的過程包括以下步驟：

其中，和是兩個(gè)高斯核計(jì)算，生成兩個(gè)參數(shù)，分別代表距離相似度和光譜相似度；δ_sδ_r是高斯核參數(shù)；q₀是輸入特征圖的中心像素點(diǎn)，x(q₀)為對(duì)應(yīng)像素點(diǎn)的值；q代表輸入特征圖的每一個(gè)像素點(diǎn)，x(q)為對(duì)應(yīng)像素點(diǎn)的值；S′(q)為相似度圖；B是輸入特征x的深度。