[發(fā)明專利]多尺度CNN特征嵌入的多核學(xué)習(xí)高光譜圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111398100.0
• 申請(qǐng)日: 2021-11-19
• 公開（公告）號(hào): CN114140646A
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 孫樂(lè);趙廣瑞;宋相博;何承迅
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/77;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 羅運(yùn)紅

1.一種多尺度CNN特征嵌入的多核學(xué)習(xí)高光譜圖像分類方法，其特征在于，所述方法包括：

將原始高光譜圖像進(jìn)行超像素分割，獲得L個(gè)超像素分割圖，所述超像素分割圖帶有超像素索引；

對(duì)所述原始高光譜圖像進(jìn)行光譜核提取，獲得所述原始高光譜圖像的光譜核；

采用加權(quán)平均濾波對(duì)L個(gè)所述超像素分割圖進(jìn)行特征提取，獲得超像素間的空間核；

利用多尺度CNN對(duì)所述原始高光譜圖像進(jìn)行處理，獲得不同尺度下的深度空間核；

將所述光譜核、所述超像素間的空間核和所述深度空間核重塑為一維列向量，獲得多個(gè)一維列向量，并將多個(gè)一維列向量重構(gòu)為二維矩陣；

對(duì)所述二維矩陣進(jìn)行主成分分析，將第一主成分列向量重塑為原始核大小的最優(yōu)核；

將所述最優(yōu)核作為支持向量機(jī)的核函數(shù)對(duì)所述原始高光譜圖像進(jìn)行分類，獲得分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將原始高光譜圖像進(jìn)行超像素分割，獲得L個(gè)超像素分割圖，所述超像素分割圖帶有超像素索引的步驟，包括：

將原始高光譜圖像進(jìn)行PCA處理，生成PCA變換后的特征圖像；

從所述PCA變換后的特征圖像中選擇出前三個(gè)主成分特征圖像，并設(shè)定超像素的個(gè)數(shù)L；

根據(jù)所述超像素的個(gè)數(shù)L，在所述主成分特征圖像上采用熵率超像素算法生成L個(gè)帶有超像素索引的超像素分割圖。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述原始高光譜圖像進(jìn)行光譜核提取，獲得所述原始高光譜圖像的光譜核的步驟，包括:

將所述原始高光譜圖像輸入到徑向基函數(shù)核中進(jìn)行光譜核提取，獲得所述原始高光譜圖像的光譜核；

所述徑向基函數(shù)核為：

K(x_i,x_j)＝exp(-||x_i-x_j||²/2σ²)

中，K(x_i,x_j)為徑向基函數(shù)，x_i為第i個(gè)樣本，x_j為第j個(gè)樣本，σ為徑向基函數(shù)的窗口參數(shù)；

所述光譜核為：

其中，為光譜核，為原始高光譜圖像中第i個(gè)像素，為原始高光譜圖像中第j個(gè)像素。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述采用加權(quán)平均濾波對(duì)L個(gè)所述超像素分割圖進(jìn)行特征提取，獲得超像素間的空間核的步驟，包括：

步驟1：計(jì)算所述超像素分割圖X_i的所有像元光譜的平均值以及超像素X_i的鄰域超像素X_ij中的所有像元光譜的平均值

步驟2：根據(jù)所述平均值采用權(quán)值計(jì)算公式計(jì)算所述平均值的權(quán)值ω_i,j，

步驟3：根據(jù)所述權(quán)值ω_i,j，采用加權(quán)平均計(jì)算公式，計(jì)算所述超像素分割圖X_i的加權(quán)平均像元光譜

步驟4：將所述超像素分割圖X_i中的所有像元光譜替換為計(jì)算得到的所述加權(quán)平均像元光譜獲得替換后的超像素分割圖；

對(duì)每個(gè)超像素分割圖中都執(zhí)行步驟1至步驟4的操作，最后將所有替換后的超像素分割圖組合到一起，得到基于超像素間的空間特征圖像；

根據(jù)所述基于超像素間的空間特征圖像進(jìn)行計(jì)算，獲得超像素間的空間核；

所述超像素間的空間核的表達(dá)式為：

其中，為超像素間的空間核，為替換后的超像素分割圖第i個(gè)像元光譜，為替換后的超像素分割圖的第j個(gè)像元光譜。