[發明專利]多尺度CNN特征嵌入的多核學習高光譜圖像分類方法

在審

• 申請號: 202111398100.0
• 申請日: 2021-11-19
• 公開（公告）號: CN114140646A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 孫樂;趙廣瑞;宋相博;何承迅
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/77;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 羅運紅

本申請涉及一種多尺度CNN特征嵌入的多核學習高光譜圖像分類方法。該方法包括：將原始高光譜圖像進行超像素分割，獲得L個超像素分割圖，對原始高光譜圖像進行光譜核提取，獲得原始高光譜圖像的光譜核；采用加權平均濾波對L個超像素分割圖進行特征提取，獲得超像素間的空間核；利用多尺度CNN對原始高光譜圖像進行處理，獲得不同尺度下的深度空間核；將光譜核、超像素間的空間核和深度空間核重塑為一維列向量，獲得多個一維列向量，并重構為二維矩陣；對二維矩陣進行主成分分析，將第一主成分列向量重塑為原始核大小的最優核；將最優核作為支持向量機的核函數對原始高光譜圖像進行分類，獲得分類結果。能夠快速有效的獲得檢測結果。

技術領域

本申請涉及高光譜圖像分類技術領域，特別是涉及一種多尺度CNN特征嵌入的多核學習高光譜圖像分類方法。

背景技術

隨著光譜技術的飛速進步，高光譜圖像在遙感領域的應用越來越廣泛，在農學、地質學、環境學、軍事等領域都有廣闊的發展前景。由于高光譜圖像具有“圖譜合一”、維度高、數據信息冗余的特點，對高光譜圖像的分類仍有較大的挑戰。目前基于傳統機器學習和深度學習的高光譜圖像分類方法取得了不錯的進展，但是應用于礦物識別、農作物精細分類、國防軍事目標檢測等領域時，檢測效率較低。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高在應用于礦物識別、農作物精細分類、國防軍事目標檢測等領域時的檢測效率的多尺度CNN特征嵌入的多核學習高光譜圖像分類方法。

一種多尺度CNN特征嵌入的多核學習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行超像素分割，獲得L個超像素分割圖，所述超像素分割圖帶有超像素索引；

對所述原始高光譜圖像進行光譜核提取，獲得所述原始高光譜圖像的光譜核；

采用加權平均濾波對L個所述超像素分割圖進行特征提取，獲得超像素間的空間核；

利用多尺度CNN對所述原始高光譜圖像進行處理，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，獲得多個一維列向量，并將多個一維列向量重構為二維矩陣；

對所述二維矩陣進行主成分分析，將第一主成分列向量重塑為原始核大小的最優核；

將所述最優核作為支持向量機的核函數對所述原始高光譜圖像進行分類，獲得分類結果。

在其中一個實施例中，所述將原始高光譜圖像進行超像素分割，獲得L個超像素分割圖，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主成分特征圖像，并設定超像素的個數L；

根據所述超像素的個數L，在所述主成分特征圖像上采用熵率超像素算法生成L個帶有超像素索引的超像素分割圖。

在其中一個實施例中，所述對所述原始高光譜圖像進行光譜核提取，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核中進行光譜核提取，獲得所述原始高光譜圖像的光譜核；

所述徑向基函數核為：

K(x_i,x_j)＝exp(-||x_i-x_j||²/2σ²)