CN111242228A - 高光谱图像分类方法、装置、设备及存储介质 - Google Patents
高光谱图像分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111242228A CN111242228A CN202010050228.7A CN202010050228A CN111242228A CN 111242228 A CN111242228 A CN 111242228A CN 202010050228 A CN202010050228 A CN 202010050228A CN 111242228 A CN111242228 A CN 111242228A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- convolutional
- hyperspectral
- hyperspectral image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 239000012634 fragment Substances 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
本发明公开了一种高光谱图像分类方法、装置、设备及存储介质,属于高光谱图像处理技术领域。本发明通过获取高光谱图像,通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像,对卷积图像进行分割,获得分割后的多个图像片段,对各图像片段进行卷积操作,得到卷积片段,将各卷积片段进行连接得到目标卷积片段,将目标卷积片段输入至卷积神经网络中的全连接层,并获取全连接层输出的图片分类结果,实现了对高维高光谱图像的精确分类。
Description
技术领域
本发明涉及高光谱图像处理技术领域,尤其涉及一种高光谱图像分类方法、装置、设备及存储介质。
背景技术
光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(HyperspectralImage),高光谱图像分类在遥感应用中被广泛采用,高光谱图像可以区分大量具有光谱的材料,利用所有物体都具有光谱特性,高光谱图像的分类可用于农业遥感、地图制图、环境监测、癌症检测和植被调查等领域进行地物目标识别,随着社会发展,出现越来越多的高光谱遥感仪器,随着高光谱遥感仪器时间分辨率的提高,高维光谱数据量也在不断增加,而传统的多光谱成像算法并不适用高维空间,无法对高光谱图像进行精确分类。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种高光谱图像分类方法、装置、设备及存储介质,旨在解决现有技术无法对高维空间的高光谱图像进行精确分类的技术问题。
为实现上述目的,本发明提供了一种高光谱图像分类方法,所述方法包括以下步骤:
获取高光谱图像;
通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像;
对所述卷积图像进行分割,获得分割后的多个图像片段;
对各图像片段进行卷积操作,得到卷积片段;
将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络中的全连接层,并获取所述全连接层输出的图片分类结果。
优选地,所述通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像的步骤包括:
从所述高光谱图像中获取待分类图像信息;
获取所述待分类图像信息对应的图像立方体,并将所述图像立方体输入至卷积神经网络;
通过所述卷积神经网络中的二维卷积层对所述图像立方体进行空间转换,得到卷积图像。
优选地,所述通过所述卷积神经网络中的二维卷积层对所述图像立方体进行空间转换,得到卷积图像的步骤包括:
从所述卷积神经网络中获取预设尺寸的卷积核;
通过所述卷积核对所述图像立方体所包含的光谱带进行线性变换,得到卷积图像。
优选地,所述对所述卷积图像进行分割,获得分割后的多个图像片段的步骤包括:
获取所述高光谱图像对应的光谱;
根据所述光谱对所述卷积图像进行光谱分割,得到具有非重叠光谱轴的多个图像片段。
优选地,所述对各图像片段进行卷积操作,得到卷积片段的步骤包括:
通过自编码器并根据八度卷积算法对各图像片段进行降维,得到卷积片段。
优选地,所述将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络中的全连接层,并获取所述全连接层输出的图片分类结果的步骤包括:
将各卷积片段进行连接得到目标卷积片段;
将所述目标卷积片段输入至正则化处理后的全连接层中进行图片分类,并获得图片分类结果。
优选地,所述将所述目标卷积片段输入至正则化处理后的全连接层中进行图片分类,并获得图片分类结果的步骤包括:
将所述目标卷积片段输入至正则化处理后的全连接层;
提取所述正则化处理后的全连接层中所述目标卷积片段的多个图像特征;
根据预设函数计算各图像特征对应的分类概率,并根据分类概率与类别的映射关系得到各图像特征对应的类别;
将所述类别作为图片分类结果。
此外,为实现上述目的,本发明还提出一种高光谱图像分类装置,所述装置包括:
构建模块,用于获取高光谱图像;
转换模块,用于通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像;
分割模块,用于对所述卷积图像进行分割,获得分割后的多个图像片段;
降维模块,用于对各图像片段进行卷积操作,得到卷积片段;
分类模块,用于将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络中的全连接层,并获取所述全连接层输出的图片分类结果。
此外,为实现上述目的,本发明还提出一种高光谱图像分类设备,所述高光谱图像分类设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高光谱图像分类程序,所述高光谱图像分类程序配置为实现如上文所述的高光谱图像分类方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有高光谱图像分类程序,所述高光谱图像分类程序被处理器执行时实现如上文所述的高光谱图像分类方法的步骤。
本发明通过获取高光谱图像,通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像,对卷积图像进行分割,获得分割后的多个图像片段,对各图像片段进行卷积操作,得到卷积片段,将各卷积片段进行连接得到目标卷积片段,将目标卷积片段输入至卷积神经网络中的全连接层,并获取全连接层输出的图片分类结果,实现了对高维高光谱图像的精确分类。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的高光谱图像分类设备的结构示意图;
图2为本发明高光谱图像分类方法第一实施例的流程示意图;
图3为本发明高光谱图像分类方法第二实施例的流程示意图;
图4为本发明高光谱图像分类方法第三实施例的流程示意图;
图5为本发明高光谱图像分类装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的高光谱图像分类设备结构示意图。
如图1所示,该高光谱图像分类设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及高光谱图像分类程序。
在图1所示的高光谱图像分类设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明高光谱图像分类设备中的处理器1001、存储器1005可以设置在高光谱图像分类设备中,所述高光谱图像分类设备通过处理器1001调用存储器1005中存储的高光谱图像分类程序,并执行本发明实施例提供的高光谱图像分类方法。
本发明实施例提供了一种高光谱图像分类方法,参照图2,图2为本发明一种高光谱图像分类方法第一实施例的流程示意图。
本实施例中,所述高光谱图像分类方法包括以下步骤:
步骤S10:获取高光谱图像。
本实施例中,本实施例的执行主体为具有高维高光谱图像分类功能的处理器或装置等,在获取地表图像信息的同时,也获得地表图像的光谱信息,得到地表图像对应的高光谱图像,高光谱图像包含地表图像中每个像素的光谱信息,其中每个空间像素是由检测材料反射或辐射的数百个连续的窄电磁带组成的光谱矢量。
步骤S20:通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像。
本实施例中,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是一种深度学习的算法,卷积神经网络中包含有卷积层,卷积层的功能是对输入数据进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量,类似于一个前馈神经网络的神经元,卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连,区域的大小取决于卷积核的大小,卷积核大小为1×1或2×2等,通过卷积神经网络中的卷积核对高光谱图像进行空间转换,空间转换的实质为对高维图像进行降维处理,例如通过二维卷积层中大小为1×1卷积核核将高维高光谱图像进行降维,得到二维高光谱图像。
步骤S30:对所述卷积图像进行分割,获得分割后的多个图像片段。
步骤S40:对各图像片段进行卷积操作,得到卷积片段。
步骤S50:将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络中的全连接层,并获取所述全连接层输出的图片分类结果。
在具体实现中,在得到降维后的卷积图像之后,根据高光谱图像对应的光谱对卷积图像进行光谱分割,高光谱图像存在光谱维,光谱维是由各维度对应的光谱图像组成的,对卷积图像进行光谱分割实质是为了减少高光谱图像的光谱维,通过对各个光谱维度进行分割,可以得到多个图像片段,并且图像片段间具有非重叠光谱轴,即各图像片段不在同一光谱轴上。
进一步地,具有非重叠光谱轴的多个图像片段进行卷积操作,通过自编码器并根据八度卷积算法对各图像片段进行降维,最后得到卷积片段,自编码器为一种能够通过无监督学习,学到输入数据高效表示的人工神经网络,输入数据的这一高效表示称为编码,其维度一般远小于输入数据,使得自编码器可用于降维,八度卷积算法为通过一个单一的、通用的且即插即用的卷积单元,直接替换普通的卷积,而无需对网络架构进行任何调整,目的是对每个图像片段进行特征提取,并对每个图像片段应用八度卷积算法,在卷积神经网络训练阶段通过自编码器进行降维,最终得到多个卷积片段。
在具体实现中,将各卷积片段进行连接得到目标卷积片段,目标卷积片段为各卷积片段重新组合成的图像片段,卷积神经网络中还包含全连接层,在得到目标卷积片段之后,将目标卷积片段输入至卷积神经网络的全连接层中,全连接层的每一个结点都与上一层的所有结点相连,用来把提取到的特征综合起来,由于全连接层的全相连的特性,全连接层在整个卷积神经网络中起到分类器的作用,例如将提取到的地面特征“山川”或“河流”进行分类,通过全连接层的分类输出即可得到高光谱图像分类结果。
本实施例通过获取高光谱图像,通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像,对卷积图像进行分割,获得分割后的多个图像片段,对各图像片段进行卷积操作,得到卷积片段,将各卷积片段进行连接得到目标卷积片段,将目标卷积片段输入至卷积神经网络中的全连接层,并获取全连接层输出的图片分类结果,实现了对高维高光谱图像的精确分类。
参考图3,图3为本发明一种高光谱图像分类方法第二实施例的流程示意图。
基于上述第一实施例,所述步骤S20具体包括:
步骤S201:从所述高光谱图像中获取待分类图像信息。
步骤S202:获取所述待分类图像信息对应的图像立方体,并将所述图像立方体输入至卷积神经网络。
在本实施例中,在获取到高光谱图像后,需要从高光谱图像中获取待分类图像信息,实际情况中,高光谱图像中会存在不需要的噪声信息,例如对高光谱图像中的有形地物进行分类,地物包括山川、森林或建筑等,需要将其他噪声信息比如将省界或悬崖山谷等剔除。
进一步地,获取待分类图像信息对应的图像立方体,图像立方体的大小本实施例中不加以限制,优选为5×5×Nb,其中Nb是高光谱图像对应的光谱大小,并将图像立方体输入至卷积神经网络中。
步骤S203:通过所述卷积神经网络中的二维卷积层对所述图像立方体进行空间转换,得到卷积图像。
在本实施例中,二维卷积是一维卷积的扩展,卷积核在二维平面上平移,卷积核的大小可以为1×1,也可以为3×3,本实施例中不加以限制,卷积核通过在移动的同时,通过所述卷积核对所述图像立方体所包含的光谱带进行线性变换,即将光谱带对应的二位矩阵与卷积核进行运算,从而得到卷积图像,例如图像立方体中二维卷积层的其中一个5×5二维矩阵为尺寸为3×3卷积核为假设卷积核运动到矩阵右下角,可以得到卷积图像对应的矩阵
本实施例通过从高光谱图像中获取待分类图像信息,获取待分类图像信息对应的图像立方体,并将图像立方体输入至卷积神经网络,从卷积神经网络中获取预设尺寸的卷积核,将所述卷积核的每个元素与所述图像立方体对应位置进行计算,得到卷积图像,实现了对高维高光谱图像的分类,同时挺高了高光谱图像分类的准确性。
参考图4,图4为本发明一种高光谱图像分类方法第三实施例的流程示意图。
基于上述第一实施例,所述步骤S50具体包括:
步骤S501:将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络的全连接层。
本实施例中,目标卷积片段为各卷积片段重新组合成的图像片段,目标卷积片段中包含有各卷积片段的特征总和,在得到目标卷积片段之后,将目标卷积片段输入至卷积神经网络的全连接层。
步骤S502:将所述目标卷积片段输入至正则化处理后的全连接层中进行图片分类,并获得图片分类结果。
在具体实现中,先对全连接层进行正则化处理,正则化处理的实现方式为在全连接层应用深度学习中的Dropout技术,并将比率设置为0.5,也可以设置为其他值,本实施例以比率0.5为优选实施例,根据比率0.5的设置,在每次训练中,将忽略一半的特征检测器,使得训练更正规化,再将目标卷积片段输入至正则化处理后的全连接层中。
进一步地,提取正则化处理后的全接连层中目标卷积片段的多个图像特征,并根据预设函数计算各图像特征对应的分类概率,根据分类概率与类别的映射关系得到各图像特征对应的类别,即可得到高光谱图像的分类结果,其中,预设函数为归一化指数函数,可以根据归一化指数函数计算出图像特征对应的分类概率,例如图像特征为“山川”的概率为60%,图像特征为“河流”的概率为90%,再结合分类概率与对应类别的映射关系,例如“河流”的分类概率90%对应类别为“河流”,因此,在图像特征为“河流”的概率为90%时,可以判定图像特征对应的类别为“河流”,一一进行比对,最终得到高光谱图像的分类结果。
本实施例通过将各卷积片段进行连接得到目标卷积片段,将目标卷积片段输入至正则化处理后的全连接层,提取正则化处理后的全连接层中目标卷积片段的多个图像特征,根据预设函数计算各图像特征对应的分类概率,并根据分类概率与类别的映射关系得到各图像特征对应的类别,将所述类别作为图片分类结果,实现了对高维高光谱图像的分类,同时挺高了高光谱图像分类的准确性。
参照图5,图5为本发明高光谱图像分类装置第一实施例的结构框图。
如图5所示,本发明实施例提出的高光谱图像分类装置包括:
构建模块10,用于获取高光谱图像。
本实施例中,本实施例的执行主体为高光谱图像分类装置,在获取地表图像信息的同时,也获得地表图像的光谱信息,得到地表图像对应的高光谱图像,高光谱图像包含地表图像中每个像素的光谱信息,其中每个空间像素是由检测材料反射或辐射的数百个连续的窄电磁带组成的光谱矢量。
转换模块20,用于通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像。
本实施例中,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是一种深度学习的算法,卷积神经网络中包含有卷积层,卷积层的功能是对输入数据进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量,类似于一个前馈神经网络的神经元,卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连,区域的大小取决于卷积核的大小,卷积核大小为1×1或2×2等,通过卷积神经网络中的卷积核对高光谱图像进行空间转换,空间转换的实质为对高维图像进行降维处理,例如通过二维卷积层中大小为1×1卷积核核将高维高光谱图像进行降维,得到二维高光谱图像。
分割模块30,用于对所述卷积图像进行分割,获得分割后的多个图像片段。
降维模块40,用于对各图像片段进行卷积操作,得到卷积片段。
分类模块50,用于将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络中的全连接层,并获取所述全连接层输出的图片分类结果。
在具体实现中,在得到降维后的卷积图像之后,根据高光谱图像对应的光谱对卷积图像进行光谱分割,高光谱图像存在光谱维,光谱维是由各维度对应的光谱图像组成的,对卷积图像进行光谱分割实质是为了减少高光谱图像的光谱维,通过对各个光谱维度进行分割,可以得到多个图像片段,并且图像片段间具有非重叠光谱轴,即各图像片段不在同一光谱轴上。
进一步地,具有非重叠光谱轴的多个图像片段进行卷积操作,通过自编码器并根据八度卷积算法对各图像片段进行降维,最后得到卷积片段,自编码器为一种能够通过无监督学习,学到输入数据高效表示的人工神经网络,输入数据的这一高效表示称为编码,其维度一般远小于输入数据,使得自编码器可用于降维,八度卷积算法为通过一个单一的、通用的且即插即用的卷积单元,直接替换普通的卷积,而无需对网络架构进行任何调整,目的是对每个图像片段进行特征提取,并对每个图像片段应用八度卷积算法,在卷积神经网络训练阶段通过自编码器进行降维,最终得到多个卷积片段。
在具体实现中,将各卷积片段进行连接得到目标卷积片段,目标卷积片段为各卷积片段重新组合成的图像片段,卷积神经网络中还包含全连接层,在得到目标卷积片段之后,将目标卷积片段输入至卷积神经网络的全连接层中,全连接层的每一个结点都与上一层的所有结点相连,用来把提取到的特征综合起来,由于全连接层的全相连的特性,全连接层在整个卷积神经网络中起到分类器的作用,例如将提取到的地面特征“山川”或“河流”进行分类,通过全连接层的分类输出即可得到高光谱图像分类结果。
本实施例通过获取高光谱图像,通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像,对卷积图像进行分割,获得分割后的多个图像片段,对各图像片段进行卷积操作,得到卷积片段,将各卷积片段进行连接得到目标卷积片段,将目标卷积片段输入至卷积神经网络中的全连接层,并获取全连接层输出的图片分类结果,实现了对高维高光谱图像的精确分类。
在一实施例中,所述转换模块20,还用于从所述高光谱图像中获取待分类图像信息;获取所述待分类图像信息对应的图像立方体,并将所述图像立方体输入至预设卷积神经网络;通过所述预设卷积神经网络中的二维卷积层对所述图像立方体进行空间转换,得到卷积图像。
在一实施例中,所述转换模块20,还用于从所述卷积神经网络中获取预设尺寸的卷积核;通过所述卷积核对所述图像立方体所包含的光谱带进行线性变换,得到卷积图像。
在一实施例中,所述分割模块30,还用于获取所述卷积神经网络对应的光谱;根据所述光谱对所述卷积图像进行光谱分割,得到具有非重叠光谱轴的多个图像片段。
在一实施例中,所述降维模块40,还用于通过自编码器并根据八度卷积算法对各图像片段进行降维,得到卷积片段。
在一实施例中,所述分类模块50,还用于将各卷积片段进行连接得到目标卷积片段;将所述目标卷积片段输入至正则化处理后的全连接层中进行图片分类,并获得图片分类结果。
在一实施例中,所述分类模块50,还用于将所述目标卷积片段输入至正则化处理后的全连接层;提取所述正则化处理后的全连接层中所述目标卷积片段的多个图像特征;根据预设函数计算各图像特征对应的分类概率,并根据分类概率与类别的映射关系得到各图像特征对应的类别;将所述类别作为图片分类结果。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有高光谱图像分类程序,所述高光谱图像分类程序被处理器执行时实现如上文所述的高光谱图像分类方法的步骤。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的高光谱图像分类方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种高光谱图像分类方法,其特征在于,所述方法包括:
获取高光谱图像;
通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像;
对所述卷积图像进行分割,获得分割后的多个图像片段;
对各图像片段进行卷积操作,得到卷积片段;
将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络中的全连接层,并获取所述全连接层输出的图片分类结果。
2.如权利要求1所述的高光谱图像分类方法,其特征在于,所述通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像的步骤包括:
从所述高光谱图像中获取待分类图像信息;
获取所述待分类图像信息对应的图像立方体,并将所述图像立方体输入至卷积神经网络;
通过所述卷积神经网络中的二维卷积层对所述图像立方体进行空间转换,得到卷积图像。
3.如权利要求2所述的高光谱图像分类方法,其特征在于,所述通过所述卷积神经网络中的二维卷积层对所述图像立方体进行空间转换,得到卷积图像的步骤包括:
从所述卷积神经网络中获取预设尺寸的卷积核;
通过所述卷积核对所述图像立方体所包含的光谱带进行线性变换,得到卷积图像。
4.如权利要求1所述的高光谱图像分类方法,其特征在于,所述对所述卷积图像进行分割,获得分割后的多个图像片段的步骤包括:
获取所述高光谱图像对应的光谱;
根据所述光谱对所述卷积图像进行光谱分割,得到具有非重叠光谱轴的多个图像片段。
5.如权利要求1所述的高光谱图像分类方法,其特征在于,所述对各图像片段进行卷积操作,得到卷积片段的步骤包括:
通过自编码器并根据八度卷积算法对各图像片段进行降维,得到卷积片段。
6.如权利要求1所述的高光谱图像分类方法,其特征在于,所述将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络中的全连接层,并获取所述全连接层输出的图片分类结果的步骤包括:
将各卷积片段进行连接得到目标卷积片段;
将所述目标卷积片段输入至正则化处理后的全连接层中进行图片分类,并获得图片分类结果。
7.如权利要求1所述的高光谱图像分类方法,其特征在于,所述将所述目标卷积片段输入至正则化处理后的全连接层中进行图片分类,并获得图片分类结果的步骤包括:
将所述目标卷积片段输入至正则化处理后的全连接层;
提取所述正则化处理后的全连接层中所述目标卷积片段的多个图像特征;
根据预设函数计算各图像特征对应的分类概率,并根据分类概率与类别的映射关系得到各图像特征对应的类别;
将所述类别作为图片分类结果。
8.一种高光谱图像分类装置,其特征在于,所述装置包括:
构建模块,用于获取高光谱图像;
转换模块,用于通过卷积神经网络对所述高光谱图像进行空间转换,得到卷积图像;
分割模块,用于对所述卷积图像进行分割,获得分割后的多个图像片段;
降维模块,用于对各图像片段进行卷积操作,得到卷积片段;
分类模块,用于将各卷积片段进行连接得到目标卷积片段,将所述目标卷积片段输入至所述卷积神经网络中的全连接层,并获取所述全连接层输出的图片分类结果。
9.一种高光谱图像分类设备,其特征在于,所述高光谱图像分类设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行的高光谱图像分类程序,所述高光谱图像分类程序配置为实现如权利要求1至7中任一项所述的高光谱图像分类方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有高光谱图像分类程序,所述高光谱图像分类程序被处理器执行时实现如权利要求1至7任一项所述的高光谱图像分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050228.7A CN111242228B (zh) | 2020-01-16 | 2020-01-16 | 高光谱图像分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050228.7A CN111242228B (zh) | 2020-01-16 | 2020-01-16 | 高光谱图像分类方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242228A true CN111242228A (zh) | 2020-06-05 |
CN111242228B CN111242228B (zh) | 2024-02-27 |
Family
ID=70864288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010050228.7A Active CN111242228B (zh) | 2020-01-16 | 2020-01-16 | 高光谱图像分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242228B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898662A (zh) * | 2020-07-20 | 2020-11-06 | 北京理工大学 | 滨海湿地深度学习分类方法、装置、设备和存储介质 |
CN112070008A (zh) * | 2020-09-09 | 2020-12-11 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
CN112232280A (zh) * | 2020-11-04 | 2021-01-15 | 安徽大学 | 基于自编码器与3d深度残差网络的高光谱图像分类方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009142758A1 (en) * | 2008-05-23 | 2009-11-26 | Spectral Image, Inc. | Systems and methods for hyperspectral medical imaging |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
CN107316013A (zh) * | 2017-06-14 | 2017-11-03 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
WO2018120740A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳光启合众科技有限公司 | 图片分类方法和装置、机器人 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN109376753A (zh) * | 2018-08-31 | 2019-02-22 | 南京理工大学 | 一种稠密连接的三维空谱分离卷积深度网络及构建方法 |
CN110163293A (zh) * | 2019-05-28 | 2019-08-23 | 武汉轻工大学 | 基于深度学习的红肉分类方法、装置、设备及存储介质 |
CN110443296A (zh) * | 2019-07-30 | 2019-11-12 | 西北工业大学 | 面向高光谱图像分类的数据自适应激活函数学习方法 |
EP3576011A1 (en) * | 2018-05-29 | 2019-12-04 | Chang Gung Memorial Hospital, Linkou | Classification system and classification method of autoantibody immunofluorescence image |
WO2019233244A1 (zh) * | 2018-06-08 | 2019-12-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
CN110689065A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 |
-
2020
- 2020-01-16 CN CN202010050228.7A patent/CN111242228B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009142758A1 (en) * | 2008-05-23 | 2009-11-26 | Spectral Image, Inc. | Systems and methods for hyperspectral medical imaging |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
WO2018120740A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳光启合众科技有限公司 | 图片分类方法和装置、机器人 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
CN107316013A (zh) * | 2017-06-14 | 2017-11-03 | 西安电子科技大学 | 基于nsct变换和dcnn的高光谱图像分类方法 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
EP3576011A1 (en) * | 2018-05-29 | 2019-12-04 | Chang Gung Memorial Hospital, Linkou | Classification system and classification method of autoantibody immunofluorescence image |
WO2019233244A1 (zh) * | 2018-06-08 | 2019-12-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
CN109376753A (zh) * | 2018-08-31 | 2019-02-22 | 南京理工大学 | 一种稠密连接的三维空谱分离卷积深度网络及构建方法 |
CN110163293A (zh) * | 2019-05-28 | 2019-08-23 | 武汉轻工大学 | 基于深度学习的红肉分类方法、装置、设备及存储介质 |
CN110443296A (zh) * | 2019-07-30 | 2019-11-12 | 西北工业大学 | 面向高光谱图像分类的数据自适应激活函数学习方法 |
CN110689065A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 |
Non-Patent Citations (3)
Title |
---|
曹林林;李海涛;韩颜顺;余凡;顾海燕;: "卷积神经网络在高分遥感影像分类中的应用", 测绘科学, vol. 41, no. 09, pages 170 - 175 * |
李竺强;朱瑞飞;高放;孟祥玉;安源;钟兴;: "三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类", 光学学报, no. 08, 3 April 2018 (2018-04-03), pages 404 - 413 * |
路易等: "基于卷积神经网络的高光谱图像分类方法", 《计算机工程与设计》, vol. 39, no. 9, 30 September 2018 (2018-09-30), pages 2836 - 2841 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898662A (zh) * | 2020-07-20 | 2020-11-06 | 北京理工大学 | 滨海湿地深度学习分类方法、装置、设备和存储介质 |
CN111898662B (zh) * | 2020-07-20 | 2023-01-06 | 北京理工大学 | 滨海湿地深度学习分类方法、装置、设备和存储介质 |
CN112070008A (zh) * | 2020-09-09 | 2020-12-11 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
CN112070008B (zh) * | 2020-09-09 | 2024-03-19 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
CN112232280A (zh) * | 2020-11-04 | 2021-01-15 | 安徽大学 | 基于自编码器与3d深度残差网络的高光谱图像分类方法 |
CN112232280B (zh) * | 2020-11-04 | 2021-12-03 | 安徽大学 | 基于自编码器与3d深度残差网络的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111242228B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Makantasis et al. | Tensor-based classification models for hyperspectral data analysis | |
Cao et al. | Hyperspectral image classification with Markov random fields and a convolutional neural network | |
CN108009559B (zh) | 一种基于空谱联合信息的高光谱数据分类方法 | |
Xing et al. | Stacked denoise autoencoder based feature extraction and classification for hyperspectral images | |
Zhang et al. | Object-based land-cover supervised classification for very-high-resolution UAV images using stacked denoising autoencoders | |
Lin et al. | Hyperspectral image denoising via matrix factorization and deep prior regularization | |
Saralioglu et al. | Semantic segmentation of land cover from high resolution multispectral satellite images by spectral-spatial convolutional neural network | |
CN111242228B (zh) | 高光谱图像分类方法、装置、设备及存储介质 | |
Safari et al. | A multiscale deep learning approach for high-resolution hyperspectral image classification | |
Shakya et al. | Parametric study of convolutional neural network based remote sensing image classification | |
Syrris et al. | Image enhancement and feature extraction based on low-resolution satellite data | |
Gao et al. | Spectral–spatial hyperspectral image classification using a multiscale conservative smoothing scheme and adaptive sparse representation | |
Kumar et al. | Hyperspectral image classification based on morphological profiles and decision fusion | |
He et al. | Multi-spectral remote sensing land-cover classification based on deep learning methods | |
Lin et al. | Determination of the varieties of rice kernels based on machine vision and deep learning technology | |
CN114743009B (zh) | 一种高光谱影像波段选择方法、系统及电子设备 | |
Khodadadzadeh et al. | A hybrid capsule network for hyperspectral image classification | |
CN109583380B (zh) | 一种基于注意力约束非负矩阵分解的高光谱分类方法 | |
Mantripragada et al. | The effects of spectral dimensionality reduction on hyperspectral pixel classification: A case study | |
Singhal et al. | Importance of individual sample of training data in modified possibilistic c-means classifier for handling heterogeneity within a specific crop | |
Mianji et al. | Enhanced self-training superresolution mapping technique for hyperspectral imagery | |
Luo et al. | Piecewise linear regression-based single image super-resolution via Hadamard transform | |
CN116310308A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
Shambulinga et al. | Hyperspectral image classification using convolutional neural networks | |
Niazmardi et al. | Particle swarm optimization of kernel-based fuzzy c-means for hyperspectral data clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |