[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

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)，屬于高光譜圖像分類技術(shù)領(lǐng)域。為了解決現(xiàn)有的高光譜圖像分類方法存在問題椒鹽噪聲和區(qū)域級(jí)錯(cuò)分問題，以及無(wú)法提取適當(dāng)?shù)目兆V信息的問題。本發(fā)明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)提取準(zhǔn)確的空譜特征，并得到初始的分類概率圖；然后進(jìn)行再分類，經(jīng)過(guò)第一個(gè)雙窗聯(lián)合雙邊濾波器和第二個(gè)雙窗聯(lián)合雙邊濾波器進(jìn)行分類；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。主要用于高光譜圖的分類。

技術(shù)領(lǐng)域

本發(fā)明涉及高光譜圖分類方法及系統(tǒng)，屬于高光譜圖像分類技術(shù)領(lǐng)域。

背景技術(shù)

高光譜圖像包含了數(shù)百個(gè)不同的波段，不僅包含豐富的光譜信息，還包含地面物體的空間結(jié)構(gòu)信息。高光譜遙感影像具備如下特點(diǎn)：(1)高光譜影像，光譜范圍從可見光延伸到近紅外、中紅外甚至遠(yuǎn)紅外。此外，高光譜影像包含數(shù)十甚至數(shù)百個(gè)波段，光譜采樣的間隔小，光譜分辨率達(dá)到納米級(jí)。高覆蓋的光譜范圍與精細(xì)的光譜分辨率意味著地物光譜的全局特征將更加完整而局部細(xì)微特征將更加明顯。(2)高光譜影像數(shù)據(jù)量大，光譜維度高，且由于相鄰高光譜波段的相關(guān)性高，高光譜數(shù)據(jù)的信息冗余度也大大增加。這就會(huì)導(dǎo)致“Hughes”現(xiàn)象，即指：隨著數(shù)據(jù)維數(shù)的增加，分類精度先增加后下降的現(xiàn)象。(3)此外，受到大氣、濕度、場(chǎng)景、光照、云層厚度以及像元不純凈等環(huán)境因素影響，部分光譜范圍內(nèi)的波段會(huì)出現(xiàn)信息丟失或包含嚴(yán)重的影像噪聲。高光譜影像存在地物光譜性狀混淆與畸變的問題，不同地物的光譜曲線在表現(xiàn)出區(qū)分性的同時(shí)，也具有極大相似性，即“異物同譜”；屬于同種地物的像素的光譜曲線也可能受環(huán)境因素如光照、陰影與噪聲影響，而出現(xiàn)較大差異，即“同物異譜”。

高光譜圖像分類就是根據(jù)地物光譜曲線的差異，對(duì)地面物體進(jìn)行像素級(jí)區(qū)分，將每一個(gè)像素標(biāo)記上相應(yīng)的類別。高光譜圖像分類廣泛應(yīng)用于海洋探測(cè)、城市分類、氣候預(yù)測(cè)、林業(yè)監(jiān)測(cè)、地質(zhì)勘探、現(xiàn)代軍事以及現(xiàn)代農(nóng)業(yè)等諸多領(lǐng)域。

高光譜圖像分類算法主要分為基于機(jī)器學(xué)習(xí)算法和基于深度學(xué)習(xí)的算法兩大類。傳統(tǒng)的基于機(jī)器學(xué)習(xí)的方法只能提取淺層特征進(jìn)行分類，無(wú)法充分挖掘高光譜圖像深層特征，而且無(wú)法克服由于“異物同譜”和“同物異譜”而引起的椒鹽噪聲和區(qū)域級(jí)錯(cuò)分問題。基于深度學(xué)習(xí)的方法主要是利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度特征提取。其中一維卷積神經(jīng)網(wǎng)絡(luò)(1DCNN)只是提取光譜維度的特征，而沒有利用高光譜圖像豐富的空間結(jié)構(gòu)信息。二維卷積神經(jīng)網(wǎng)絡(luò)(2DCNN)引入中心像素的鄰域結(jié)構(gòu)信息很好的克服了這個(gè)缺點(diǎn)。但是在高光譜圖像中的地面物體的形狀是不規(guī)則的，而且普通的卷積神經(jīng)網(wǎng)絡(luò)采用的是形狀不可變的卷積核，所以無(wú)差別的引入中心像素的鄰域像素點(diǎn)的信息會(huì)不可避免的引入不同類別的光譜特征，這就使得卷積神經(jīng)網(wǎng)絡(luò)不能準(zhǔn)確地提取地面物體的空譜特征。當(dāng)待分類的像素位于物體的邊緣處和不同類別物體的交界處時(shí)，這個(gè)問題尤其嚴(yán)重。

可變卷積網(wǎng)絡(luò)的卷積核的形狀是可以改變的，該網(wǎng)絡(luò)的卷積核根據(jù)生成的偏移量改變自己的采樣位置，進(jìn)而改變卷積核形狀。但是該方法僅通過(guò)一層普通的卷積層來(lái)生成偏移量，這種生成偏移量的方式不適用具有高維信息的高光譜圖像，所以無(wú)法生成正確的偏移量信息，也就無(wú)法提取適當(dāng)?shù)目兆V信息。

發(fā)明內(nèi)容

本發(fā)明是為了解決現(xiàn)有的高光譜圖像分類方法存在問題椒鹽噪聲和區(qū)域級(jí)錯(cuò)分問題，以及無(wú)法提取適當(dāng)?shù)目兆V信息的問題。

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，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；