CN112070008A - 高光谱图像特征识别方法、装置、设备及存储介质 - Google Patents

高光谱图像特征识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112070008A
CN112070008A CN202010934307.4A CN202010934307A CN112070008A CN 112070008 A CN112070008 A CN 112070008A CN 202010934307 A CN202010934307 A CN 202010934307A CN 112070008 A CN112070008 A CN 112070008A
Authority
CN
China
Prior art keywords
sparse
sub
band
singular vector
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
Application number
CN202010934307.4A
Other languages
English (en)
Other versions
CN112070008B (zh
Inventor
曾山
胡志刚
康镇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Polytechnic University
Original Assignee
Wuhan Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN202010934307.4A priority Critical patent/CN112070008B/zh
Publication of CN112070008A publication Critical patent/CN112070008A/zh
Application granted granted Critical
Publication of CN112070008B publication Critical patent/CN112070008B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高光谱图像特征识别方法、装置、设备及存储介质。该方法包括：获取待检测目标物的高光谱图像数据；通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组；对所述子波段组进行稀疏处理，得到稀疏子波段集；根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段；通过所述目标特征波段对所述待检测目标物进行识别。通过上述方式，去除冗余信息，减少计算量和节省计算时间，获取信息量更大的特征波段，从而提高高光谱图像特征选择的准确率，提高了高光谱图像数据的识别精度和效率。

Description

高光谱图像特征识别方法、装置、设备及存储介质
技术领域
本发明涉及无损检测技术领域，尤其涉及一种高光谱图像特征识别方法、装置、设备及存储介质。
背景技术
高光谱成像技术是由遥感领域发展而来的农产品品质无损检测新技术，该技术能同时采集粮食产品的光谱和空间图像，进而能够快速、无损获取其品质信息及其空间分布，从而实现粮食产品内外部品质信息的全方位检测，因此在粮食品质安全检测领域具有广阔的应用前景。由于高光谱图像数据成立体状，相邻空间及谱段上的数据都具有较大的相关性，且高光谱图像采集易受环境的影响，光谱信息的各波段之间相关性强、冗余度高，且含有大量噪声信息，使得对其进行识别以及分类等处理的过程中会出现很多问题。
目前应用到高光谱图像波段选择的传统方法如变量消除法、连续投影算法等，本质上都是在光谱特征的基础上进行波段选择，当每个波段下提取多个特征时，通常需要将光谱特征下选择的波段应用到其他特征，没有最大化利用其他特征信息对于波段选择的贡献，存在模型识别精度难以保证的问题。同时，主流的降维方法是主成分分析方法(PCA)，以及在主成分分析方法的基础上提出的分块主成分分析方法、定向主成分分析方法(DPCA)、选择主成分方法(selective PCA)和核主成分分析(KPCA)等。而PCA方法得到的主成分是所有原始数据的线性组合，而这些线性组合的系数通常都是非零，导致PCA降维结果的解释性很差，每个主成分并不能对应某个波段，而是所有波段的线性组合。另外，当前分组稀疏化方法采用的分组方式大部分都是人工限定划分，主观因素多，且缺少科学根据。
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特征识别方法、装置、设备及存储介质，旨在解决如何提高粮食高光谱图像数据的识别精度和识别效率的技术问题。
为实现上述目的，本发明提供了一种高光谱图像特征识别方法，所述方法包括以下步骤：
获取待检测目标物的高光谱图像数据；
通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组；
对所述子波段组进行稀疏处理，得到稀疏子波段集；
根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段；
通过所述目标特征波段对所述待检测目标物进行识别。
可选地，所述通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组，包括：
遍历预设相似性度量算法集，根据遍历到的相似性度量算法对所述高光谱图像数据进行计算，得到波段间相似性度量数据；
通过预设分数层融合策略将所述波段间相似性度量数据进行融合，得到相似性度量融合数据；
遍历预设聚类算法集，根据遍历到的聚类算法对所述相似性度量融合数据进行聚类处理，得到聚类数据；
通过预设决策层融合策略对所述聚类数据进行融合，得到子波段组。
可选地，所述对所述子波段组进行稀疏处理，得到稀疏子波段集，包括：
根据预设子波段置信度估计模型计算出所述子波段组对应的子波段置信度值；
以所述子波段置信度值为权重构建组稀疏模型；
根据所述组稀疏模型对所述子波段组进行稀疏，得到稀疏子波段组；
根据稀疏主成分分析算法对所述稀疏子波段组进行二次稀疏，得到稀疏子波段集。
可选地，所述根据稀疏主成分分析算法对所述稀疏子波段组进行二次稀疏，得到稀疏子波段集，包括：
获取右奇异向量稀疏度、主成分个数以及迭代次数；
根据所述右奇异向量稀疏度以及主成分个数对所述稀疏子波段组进行奇异值分解处理，得到所述稀疏子波段组对应的左奇异向量矩阵以及右奇异向量矩阵；
根据所述迭代次数通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵以及所述右奇异向量矩阵进行稀疏，得到稀疏后的左奇异向量矩阵以及稀疏后的右奇异向量矩阵；
根据所述稀疏后的左奇异向量矩阵以及所述稀疏后的右奇异向量矩阵得到方差贡献率，根据所述方差贡献率得到投影矩阵；
根据所述投影矩阵得到稀疏后的特征向量矩阵，将所述特征向量矩阵作为稀疏子波段集。
可选地，所述根据所述迭代次数通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵以及所述右奇异向量矩阵进行稀疏，得到稀疏后的左奇异向量矩阵和稀疏后的右奇异向量矩阵，包括：
获取当前单因子迭代次数；
判断所述当前单因子迭代次数是否小于所述迭代次数；
在所述当前单因子迭代次数小于所述迭代次数时，判断所述右奇异向量矩阵对应的右奇异向量是否收敛；
在所述右奇异向量未收敛时，通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵对应的左奇异向量以及所述右奇异向量进行约束；
在所述当前单因子迭代次数等于所述迭代次数或者在所述右奇异向量收敛时，得到目标左奇异向量以及目标右奇异向量；
根据所述目标左奇异向量得到稀疏后的左奇异向量矩阵，根据所述目标右奇异向量得到稀疏后的右奇异向量矩阵。
可选地，所述通过所述目标特征波段对所述待检测目标物进行识别，包括：
根据预设聚类算法对所述目标特征波段进行分类，得到分类结果；
对所述分类结果进行检测；
在所述分类结果满足预设规范时，通过所述目标特征波段对所述待检测目标物进行识别；
在所述分类结果不满足预设规范时，根据预设交叉迭代调整策略对所述右奇异向量稀疏度以及所述主成分个数进行调整，得到调整后的右奇异向量稀疏度以及调整后的主成分个数；
根据所述调整后的右奇异向量稀疏度以及所述调整后的主成分个数执行所述根据所述右奇异向量稀疏度以及主成分个数对所述稀疏子波段组进行奇异值分解处理，得到所述稀疏子波段组对应的左奇异向量矩阵以及右奇异向量矩阵的步骤。
可选地，所述获取待检测目标物的高光谱图像数据，包括：
获取待检测目标物的全波段高光谱图像数据；
选取所述全波段高光谱图像数据中的感兴趣区域；
根据所述感兴趣区域获取待检测目标物的光谱特征数据；
对所述光谱特征数据进行标准正态变量变换和求导处理，得到光谱特征预处理数据；
对所述光谱特征预处理数据进行首尾波段去除处理，得到高光谱图像数据。
此外，为实现上述目的，本发明还提出一种高光谱图像特征识别装置，所述高光谱图像特征识别装置包括：
获取模块，用于获取待检测目标物的高光谱图像数据；
分组模块，用于通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组；
稀疏模块，用于对所述子波段组进行稀疏处理，得到稀疏子波段集；
选择模块，用于根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段；
识别模块，用于通过所述目标特征波段对所述待检测目标物进行识别。
此外，为实现上述目的，本发明还提出一种高光谱图像特征识别设备，所述高光谱图像特征识别设备包括：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特征识别程序，所述高光谱图像特征识别程序配置为实现如上文所述的高光谱图像特征识别方法的步骤。
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特征识别程序，所述高光谱图像特征识别程序被处理器执行时实现如上文所述的高光谱图像特征识别方法的步骤。
本发明通过获取待检测目标物的高光谱图像数据；通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组；对所述子波段组进行稀疏处理，得到稀疏子波段集；根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段；通过所述目标特征波段对所述待检测目标物进行识别。通过上述方式，去除冗余信息，减少计算量和节省计算时间，获取信息量更大的特征波段，从而提高高光谱图像特征选择的准确率，分组后子波段组的线性特征更明显，降低高光谱数据波段间的相互干扰，提高数据利用率，提高了高光谱图像数据的识别精度和效率。
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特征识别设备的结构示意图；
图2为本发明高光谱图像特征识别方法第一实施例的流程示意图；
图3为本发明高光谱图像特征识别方法第二实施例的流程示意图；
图4为本发明高光谱图像特征识别方法第三实施例的流程示意图；
图5为本发明高光谱图像特征识别方法第四实施例的流程示意图；
图6为本发明高光谱图像特征识别方法一实施例的流程示意图；
图7为本发明高光谱图像特征识别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特征识别设备结构示意图。
如图1所示，该高光谱图像特征识别设备可以包括：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高光谱图像特征识别设备的限定，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特征识别程序。
在图1所示的高光谱图像特征识别设备中，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；本发明高光谱图像特征识别设备中的处理器1001、存储器1005可以设置在高光谱图像特征识别设备中，所述高光谱图像特征识别设备通过处理器1001调用存储器1005中存储的高光谱图像特征识别程序，并执行本发明实施例提供的高光谱图像特征识别方法。
本发明实施例提供了一种高光谱图像特征识别方法，参照图2，图2为本发明高光谱图像特征识别方法第一实施例的流程示意图。
本实施例中，所述高光谱图像特征识别方法包括以下步骤：
步骤S10：获取待检测目标物的高光谱图像数据。
需要说明的是，本实施例的执行主体是所述高光谱图像特征识别设备，所述高光谱图像特征识别设备可以是个人计算机或服务器等电子设备，本实施例对此不加以限制。高光谱原始图像数据通过专用的高光谱设备采集，在本实施例中，高光谱图像数据的获取过程以获取谷物样品的高光谱图像数据为例进行说明：将要分析的谷物样品摆放在样品台上，准备好光源，采用专用的高光谱设备采集全波段高光谱图像数据。高光谱设备将全波段高光谱图像数据发送至高光谱图像特征识别设备，高光谱图像特征识别设备对高光谱设备将全波段高光谱图像数据进行预处理，以获取谷物样品的高光谱图像数据。
为保证识别精度，在高光谱设备采集高光谱原始图像数据时，采集全波段高光谱图像数据，为保证识别效率，减少计算量和节省计算时间，对所述全波段高光谱图像数据进行预处理，具体地，步骤S10包括：获取待检测目标物的全波段高光谱图像数据；选取所述全波段高光谱图像数据中的感兴趣区域；根据所述感兴趣区域获取待检测目标物的光谱特征数据；对所述光谱特征数据进行标准正态变量变换和求导处理，得到光谱特征预处理数据；对所述光谱特征预处理数据进行首尾波段去除处理，得到高光谱图像数据。
可以理解的是，谷物样品的高光谱图像数据预处理过程可以为：第一步为选取感兴趣(region of interest，ROI)区域，采集到的原始高光谱图像中含有大量的无关像素点，为了节约计算资源，将采集的原始数据经过适当裁剪，将感兴趣的区域(ROI)截取出来进行处理。ROI区域是指在图像处理中，从被处理的图像中以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
第二步为提取光谱特征，采用图像分割技术，将谷物图像从背景中分割出来，并识别出每粒谷的像素点，将每粒谷所有像素点的光谱取中位数，即可提取出每粒谷的中位数光谱。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割方法可以包括：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
第三步为光谱预处理，由于受拍摄环境以及光照等因素的影响，提取出来的中位数光谱中含有大量噪声，不能直接用来进行分析，经过标准正态变量变换(standardNormal Variate transform，SNV)和求导处理以去除光谱数据中的噪声，可将得到的数据记为Xn×p，去掉易受噪声影响的首尾波段得到待检测目标物的高光谱图像数据，可将高光谱图像数据记为Xn×r，其中r小于p，标准正态变量变换主要是用来消除固体颗粒大小、表面散射以及光程变化对漫反射光谱的影响，SNV算法基于光谱阵的行对一条光谱进行处理。
通过对全波段高光谱图像数据进行预处理，得到待检测目标物的高光谱图像数据，去除冗余数据，去掉噪声光谱数据减少高光谱图像数据识别的计算量和计算时间。
步骤S20：通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组。
可以理解的是，为了得到更好的分组特征，将相似的光谱分在同一个组，得到差异较大的子波段组，具体过程可以是：采用多种相似性度量方法计算波段间相似性度量，相似性度量方法可以为互信息熵、灰度相关矩阵和光谱角制图法等方法中至少一种，然后采用分数层融合策略将每种度量方法计算得到的度量数据进行融合，从而构成相似性度量矩阵，根据相似性度量矩阵得到相似性度量融合数据；针对分数层融合策略得到的相似性度量融合数据，采用多种聚类方法分别进行聚类处理，聚类方法可以为模糊聚类、密度峰聚类和近邻传播聚类等方法中至少一种，然后采用决策层融合策略对各种聚类结果进行融合，得到最终的聚类结果，从而达到波段分组的效果，得到子波段组。通过以上处理，将高光谱图像数据的波段数据分为子波段组1、子波段组2、……、子波段组M，记为Xn×m，其中m值小于r值，分组后能保证每个小组波段的线性特征更明显，分组组合可以降低高光谱数据波段间的相互干扰，提高数据利用率，减少并优化特征空间。
步骤S30：对所述子波段组进行稀疏处理，得到稀疏子波段集；
可以理解的是，为得到更简洁的特征表达形式，对所述子波段组进行稀疏处理，从而更容易地获取图像数据中所蕴含的信息，更方便进一步对图像数据进行识别和处理。
需要说明的是，对子波段组进行稀疏处理可以为两次稀疏处理，第一次稀疏处理可以为通过预设子波段置信度估计模型计算出每个子波段的置信度值，并将子波段置信度值作为组稀疏模型中的权重以此来稀疏化子波段组数，将Xn×m稀疏，得到的稀疏化后的子波段集1、子波段集2、……、子波段集H，可以记为Xn×h，其中h值小于m值。
需要说明的是，第二次稀疏处理可以为对数据用稀疏主成分分析算法在给定右奇异向量稀疏度sumabsv和主成分个数k的条件下提取特征波段。
步骤S40：根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段。
通过子波集置信度值对波段进行进一步的选择，选择出的波段即为目标特征波段。可以理解的是，子波集置信度值通过预设子波段置信度估计模型计算得到。根据子波段置信度值对所述稀疏子波段集进行选择的过程可以包括根据子波段对应的置信度值确定稀疏子波段集中各个子波段的可信程度。在子波段对应的置信度值大于预设选择置信度值时，该子波段可被选择作为目标特征波段中的一个子波段。例如，子波段A对应的置信度值为0.8，大于预设置信度0.6，选择子波段A作为目标特征波段中的子波段B，子波段A为稀疏子波段集中的一个子波段，被选择后成为目标特征波段中的一个子波段。
步骤S50：通过所述目标特征波段对所述待检测目标物进行识别。
可以理解的是，通过所述目标特征波段对所述待检测目标物进行识别可以包括将目标特征波段输入到预设聚类算法中进行分类，如果分类效果良好，符合预设规范，说明找到了全部重要的特征波段，直接输出分类结果，即完成对待检测目标物的识别。
需要说明的是，预设聚类算法可以为K均值聚类算法，也可以为其他聚类算法，本实施例以K均值聚类算法(k-means clustering algorithm)为例进行说明，K均值聚类算法是一种迭代求解的聚类分析算法，具体步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算各样本与各个聚类中心的距离，将各样本回归于与之距离最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小，本实施例对此不加以限制。
本实施例通过获取待检测目标物的高光谱图像数据；通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组；对所述子波段组进行稀疏处理，得到稀疏子波段集；根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段；通过所述目标特征波段对所述待检测目标物进行识别。通过上述方式，去除冗余信息，减少计算量和节省计算时间，获取信息量更大的特征波段，从而提高高光谱图像特征选择的准确率，分组后子波段组的线性特征更明显，降低高光谱数据波段间的相互干扰，提高数据利用率，提高了高光谱图像数据的识别精度和效率。
参考图3，图3为本发明高光谱图像特征识别方法第二实施例的流程示意图。
基于上述第一实施例，本实施例高光谱图像特征识别方法在所述步骤S20，包括：
步骤S201：遍历预设相似性度量算法集，根据遍历到的相似性度量算法对所述高光谱图像数据进行计算，得到波段间相似性度量数据。
可以理解的是，预设相似性度量算法集根据实际情况进行预设，可以包括互信息熵、灰度相关矩阵和光谱角制图法等算法中的至少一个。例如，预设相似性度量算法集A中包括互信息熵以及灰度相关矩阵，遍历预设相似性度量算法集A，根据互信息熵算法对高光谱图像数据进行计算，得到相似性度量数据b，根据灰度相关矩阵算法对高光谱图像数据进行计算，得到相似性度量数据c，则最终得到的波段间相似性度量数据为相似性度量数据b和相似性度量数据c。互信息熵算法是指计算前后图像序列的互信息熵，也即计算前后图像序列的联合信息熵。灰度相关矩阵也就是灰度共生矩阵，指的是在图像空间中相隔某距离的两象素之间存在一定的灰度关系，即图像中灰度的空间相关特性，灰度共生矩阵通过对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到。光谱角制图法把图像中的每个像元的光谱视为一个高维向量，通过计算两向量间的夹角来度量光谱间的相似性，夹角越小，两光谱越相似，属于同类的可能性越大，因而可根据光谱角的大小来辨别未知数据的类别。融合时，通过计算未知数据与已知数据间的光谱角，并把未知数据的类别归为最小光谱角对应的类别中。
步骤S202：通过预设分数层融合策略将所述波段间相似性度量数据进行融合，得到相似性度量融合数据。
可以理解的是，预设分数层融合策略(Score-level)用于将不同相似性度量算法得到的相似性度量数据融合，将两种及两种以上的特征归一化到相同指数，可以采用最大-最小函数、mean-std、Med-MAD、双曲sigmoid函数、tanh函数等函数法，也可以采用概率密度法，本实施例对此不加以限制。
例如，根据互信息熵以及灰度相关矩阵算法得到的相似性度量数据b和相似性度量数据c，根据预设分数层融合策略对相似性度量数据b和相似性度量数据c进行融合，得到对应的相似性度量融合数据。
步骤S203：遍历预设聚类算法集，根据遍历到的聚类算法对所述相似性度量融合数据进行聚类处理，得到聚类数据。
可以理解的是，预设聚类算法集根据实际情况进行预设，可以包括模糊聚类、密度峰聚类和近邻传播聚类等算法中的至少一个。例如，预设聚类算法集B中包括模糊聚类以及密度峰聚类，遍历预设聚类算法集B，根据模糊聚类算法对相似性度量融合数据进行聚类处理，得到聚类数据d，根据密度峰聚类算法对相似性度量融合数据进行聚类处理，得到聚类数据e，则最终得到的聚类数据为聚类数据d以及聚类数据e。
需要说明的是，聚类就是将数据集分成多个类或簇，使得各个类之间的数据差别应尽可能大，类内之间的数据差别应尽可能小，即为“最小化类间相似性，最大化类内相似性”原则。模糊聚类分析是用模糊数学的方法把样本之间的模糊关系定量的确定，从而客观且准确地进行聚类。利用模糊运算对相似矩阵进行合成改造，生成模糊等价矩阵；最后根据不同的截取水平对模糊等价矩阵进行截取分类。密度峰值算法(DPCA)是寻找被低密度区域分离的高密度区域，主要过程为：类簇中心点的密度大于周围邻居点的密度；类簇中心点与更高密度点之间的距离相对较大。DPCA中将具有较大距离且同时具有较大局部密度的点定义为聚类中心，将非异常点归类到比他们的密度更大的最相近的类中心所属的类别中。近邻传播聚类算法以数据集的相似度矩阵作为输入，算法起始阶段将所有的样本看作是潜在的聚类中心点，同时，将每个样本点都视为网络中的一个节点，吸引力信息沿着节点连线递归传输，直到找到最优的类代表点集合,使得所有数据点到最近的类代表点的相似度之和最大。其中，吸引力信息是数据点适合被选作其他数据的类代表点的程度。
步骤S204：通过预设决策层融合策略对所述聚类数据进行融合，得到子波段组。
可理解的是，决策层融合策略，用于将对各种聚类结果进行融合，得到最终的聚类结果，可采用神经网络方法、基于特征抽取的融合方法和基于搜索的融合方法，也可采用其他方法，本实施例对此不加以限制。
例如，根据模糊聚类以及密度峰聚类算法得到的聚类数据d以及聚类数据e，根据预设决策层融合策略对聚类数据d以及聚类数据e进行融合，得到聚类结果。
本实施例通过相似性度量融合策略以及聚类融合策略对所述高光谱图像数据进行分组，降低高光谱数据波段间的相互干扰，提高数据利用率，减少计算量和节省计算时间，从而达到提高高光谱图像数据的识别精度和效率的效果。
参考图4，图4为本发明高光谱图像特征识别方法第三实施例的流程示意图。
基于上述第一实施例，本实施例高光谱图像特征识别方法在所述步骤S30，包括：
步骤S301：根据预设子波段置信度估计模型计算出所述子波段组对应的子波段置信度值。
可以理解的是，子波段置信度估计模型可以通过样本进行训练获得，本实施例对此不加以限制，子波段置信度估计模型可以对子波段集中各个子波段的置信度进行估计，置信度越高，说明子波段含有的信息量越大，越能代表全波段光谱的特征。假设设置一个置信度阈值(Threshold)，如0.9，子波段a的置信度为0.95，也就是说子波段a的置信度大于0.9，子波段a为特征子波段。
步骤S302：以所述子波段置信度值为权重构建组稀疏模型。
可以理解的是，组稀疏模型以子波段置信度值为权重设置条件，组稀疏模型可以为加权两两融合套索模型、弹性相关网模型、稀疏组套索模型以及贝叶斯组套索模型等模型。本实施例对此不加以限制。置信度越高，在组稀疏模型中的权重越大。
步骤S303：根据所述组稀疏模型对所述子波段组进行稀疏，得到稀疏子波段组。
可以理解的是，根据子波段置信度对所述子波段组进行第一次选择，得到置信度高的子波段组，保证选择的子波段组对高光谱图像数据具有良好的解释性。
步骤S304：根据稀疏主成分分析算法对所述稀疏子波段组进行二次稀疏，得到稀疏子波段集。
具体地，稀疏主成分分析算法步骤可以为：步骤一，获取数据Xn×h，获取设置的右奇异向量参数v的稀疏度sumabsv，主成分个数k，迭代次数niter及迭代初始值i；步骤二，将数据Xn×h去中心化，并对去中心化单数据进行奇异值分解(Singular Value Decomposition)；步骤三，将右奇异向量参数v初始化，选择右奇异向量的第一个作为v的初始值，计算左奇异向量参数u的稀疏度；步骤四，利用单因子惩罚矩阵分解(Penalized MatrixDecomposition，PMD)算法，对k个u、v稀疏化；步骤五，计算投影矩阵和方差贡献率，得到稀疏的特征向量矩阵。
可以理解的是，根据公式(1)对稀疏子波段组进行奇异值分解：
Q＝UDVT (1)
公式中，其中U是n×n阶酉矩阵；D是半正定n×h阶对角矩阵；而VT，即V的共轭转置，是h×h阶酉矩阵。这样的分解就称作Q的奇异值分解。D对角线上的元素Di，其中Di即为Q的奇异值。一个非负实数σ是Q的一个奇异值，向量u和v分别为σ的左奇异向量和右奇异向量。
单因子惩罚性矩阵分解(PMD)，基于充分提取子波段组特征的思想，对奇异矩阵的向量进行约束，求得全部奇异值dk和稀疏后的uk和vk向量。
本实施例通过组稀疏模型和稀疏主成分算法对子波段组进行两次稀疏，得到更能解释全波段光谱数据的特征稀疏子波段组，在保证识别精度和效率的基础上，进一步选择具有显著性的特征波段，减少并优化特征空间，从而达到提高高光谱图像数据的识别精度和效率的效果。
参考图5，图5为本发明高光谱图像特征识别方法第四实施例的流程示意图。
基于上述第一实施例和第三实施例，本实施例高光谱图像特征识别方法在所述步骤S304，包括：
步骤S305：获取右奇异向量稀疏度、主成分个数以及迭代次数。
可以理解的是，右奇异向量稀疏度、主成分个数以及迭代次数可由用户提前设置，用于对稀疏子波段组进行稀疏处理，得到主成分子波组数据，所述右奇异向量稀疏度为sumabsv、主成分个数为k以及迭代次数为niter。
步骤S306：根据所述右奇异向量稀疏度以及主成分个数对所述稀疏子波段组进行奇异值分解处理，得到所述稀疏子波段组对应的左奇异向量矩阵以及右奇异向量矩阵。
需要说明的是，将数据集中的每个样本作为列向量，按列排列构成一个n行m列的矩阵；将矩阵的每一个行向量(每个变量)都减去该行向量的均值，从而使得新行向量的均值为0，得到新的数据集矩阵Q；根据公式(1)对稀疏子波段组进行奇异值分解：
Q＝UDVT (1)
公式中，其中U是n×n阶酉矩阵；D是半正定n×h阶对角矩阵；而VT，即V的共轭转置，是h×h阶酉矩阵。这样的分解就称作Q的奇异值分解。D对角线上的元素Di，其中Di即为Q的奇异值。一个非负实数σ是Q的一个奇异值，向量u和v分别为σ的左奇异向量和右奇异向量。
根据所述右奇异向量稀疏度sumabsv、主成分个数k、左奇异向量矩阵U以及右奇异向量矩阵V计算左奇异向量对应的稀疏度sumabsu。
步骤S307：根据所述迭代次数通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵以及所述右奇异向量矩阵进行稀疏，得到稀疏后的左奇异向量矩阵以及稀疏后的右奇异向量矩阵。
具体地，步骤S307包括：获取当前单因子迭代次数；判断所述当前单因子迭代次数是否小于所述迭代次数；在所述当前单因子迭代次数小于所述迭代次数时，判断所述右奇异向量矩阵对应的右奇异向量是否收敛；在所述右奇异向量未收敛时，通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵对应的左奇异向量以及所述右奇异向量进行约束；在所述当前单因子迭代次数等于所述迭代次数或者在所述右奇异向量收敛时，得到目标左奇异向量以及目标右奇异向量；根据所述目标左奇异向量得到稀疏后的左奇异向量矩阵，根据所述目标右奇异向量得到稀疏后的右奇异向量矩阵。
可以理解的是，根据单因子惩罚矩阵分解算法对奇异向量矩阵进行稀疏的过程可以为：获取设置的右奇异向量参数v的稀疏度sumabsv，主成分个数k，迭代次数niter及迭代初始值i，迭代初始值i设置为1，根据单因子PMD算法得到单个稀疏后的u和v，i的值加1，判断i的值是否大于主成分个数k，在i的值小于或者等于主成分个数k时，再次根据单因子PMD算法得到单个稀疏后的u和v，直到i的值大于主成分个数k，即可得到k个稀疏后的u和v。
根据单因子PMD算法得到单个稀疏后的u和v的过程可以为：设置迭代初始次数值j，迭代初始次数值j为1，判断单个右奇异向量v是否收敛，在单个右奇异向量不收敛时，固定右奇异向量v，求得左奇异向量u，然后固定左奇异向量u，求得右奇异向量v，j的值加1，判断j的值是否小于迭代次数niter，在j的值小于迭代次数niter，继续判断迭代j次的单个右奇异向量v是否收敛，不收敛则继续约束，在j的值等于迭代次数niter时或者单个右奇异向量v收敛时，得到稀疏的单个u和v，以及对应的奇异值d。
步骤S308：根据所述稀疏后的左奇异向量矩阵以及所述稀疏后的右奇异向量矩阵得到方差贡献率，根据所述方差贡献率得到投影矩阵。
可以理解的是，根据得到的稀疏后的左奇异向量矩阵以及所述稀疏后的右奇异向量矩阵计算协方差矩阵的特征值和单位特征向量，按照特征值从大到小的顺序，将单位特征向量排列成矩阵，得到转换矩阵，用特征值计算方差贡献率和方差累计贡献率，可以取方差累计贡献率超过预设值的前k个主成分，预设值可以为85％，选取转换矩阵的k个特征值对应的特征向量组成投影矩阵。也可以直接选取前k个特征值对应的特征向量组成投影矩阵。
步骤S309：根据所述投影矩阵得到稀疏后的特征向量矩阵，将所述特征向量矩阵作为稀疏子波段集。
可以理解的是，根据投影矩阵对原始样本矩阵进行投影，得到降维后的新样本矩阵，即为特征向量矩阵。
相应地，为得到更有解释性的特征波段，本实施例高光谱图像特征识别方法在所述步骤S50，可以包括：根据预设聚类算法对所述目标特征波段进行分类，得到分类结果；对所述分类结果进行检测；在所述分类结果满足预设规范时，通过所述目标特征波段对所述待检测目标物进行识别；在所述分类结果不满足预设规范时，根据预设交叉迭代调整策略对所述右奇异向量稀疏度以及所述主成分个数进行调整，得到调整后的右奇异向量稀疏度以及调整后的主成分个数；根据所述调整后的右奇异向量稀疏度以及所述调整后的主成分个数执行所述根据所述右奇异向量稀疏度以及主成分个数对所述稀疏子波段组进行奇异值分解处理，得到所述稀疏子波段组对应的左奇异向量矩阵以及右奇异向量矩阵的步骤。
需要说明的是，预设聚类算法可以为K均值聚类算法，也可以为均值漂移聚类算法以及凝聚层次聚类算法等聚类算法，也可以为其他聚类算法，本实施例对此不加以限制，以K均值聚类算法为例进行说明。K均值聚类算法是一种迭代求解的聚类分析算法，具体步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算各样本与各个聚类中心的距离，将各样本回归于与之距离最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小，本实施例对此不加以限制。
可以理解的是，对所述分类结果进行检测可采用对分类结果的准确率(Accuracy)以及错误率(Error rate)进行计算，在准确率达到预设标准时，即为达标。例如，通过对准确率进行计算，得到分类结果的当前准确率为0.8，预设规范为准确率达到0.7，当前准确率满足预设规范，通过所述目标特征波段对所述待检测目标物进行识别。
可以理解的是，如果分类效果很差，不符合预设规范，说明只找到了部分重要特征波段，此时可以通过调整稀疏度sumabsv以及主成分个数k两个参数，重新产生特征波段并进行验证。在具体实现中，为了找到合适的sumabsv和k，可以采用交叉迭代的方式，sumabsv的取值从1.1逐步增加到1.9，每次增加0.1，主成分个数k从3增加到22，每次增加1。用以找到所有具有可解释性的全部特征波段。
高光谱图像特征识别过程参照图6，图6为本发明高光谱图像特征识别方法一实施例的流程示意图。
高光谱图像特征识别过程可以为：获取高光谱图像数据集，根据分数层融合方案和决策层融合方案对高光谱图像数据集进行处理，得到子波段组1、……、子波段组M，根据子波段置信度估计模型得到各子波段置信度值，根据以子波段置信度值为权重构建的组稀疏模型对子波段组进行稀疏，得到组稀疏后的子波段集1、……、子波段集H，根据稀疏模型对组稀疏后的子波段集再次进行稀疏，得到稀疏选择后的波段，根据各子波段置信度对稀疏选择后的波段进行进一步选择，得到特征波段集。
以稻谷为对象实例进行说明。先将谷物样品按照每一类水稻品种每6粒一列，整齐摆放在黑色底板上，共3列，样本数是18个，高光谱图像数据是四类水稻品种种子样品的数据。高光谱图像由512×512像素和204个光谱反射带组成，波长范围是400～1000nm，光谱分辨率为7nm，实际图像大小是512×512×204。经过预处理之后，得到了80×160的光谱图。对波段进行分组，对组合得到的新数据用稀疏主成分算法在v的稀疏度分别从1.1到1.9，主成分个数从3到22条件下来进行组稀疏，并用K均值聚类对选取的特征波段进行聚类后的最佳准确率表。在聚类效果最好的情况下选取特征波段图，最终共选取了23个特征段。
本实施例通过主成分分析算法结合单因子惩罚矩阵分解算法对子波段进行第二次稀疏，得到具有解释性的特征稀疏子波段组，在保证识别精度和效率的基础上，进一步选择具有显著性的特征波段，减少并优化特征空间，从而达到提高高光谱图像数据的识别精度和效率的效果。
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特征识别程序，所述高光谱图像特征识别程序被处理器执行时实现如上文所述的高光谱图像特征识别方法的步骤。
参照图7，图7为本发明高光谱图像特征识别装置第一实施例的结构框图。
如图7所示，本发明实施例提出的高光谱图像特征识别装置包括：
获取模块10，用于获取待检测目标物的高光谱图像数据。
需要说明的是，高光谱原始图像数据通过专用的高光谱设备采集，在本实施例中，高光谱图像数据的获取过程以获取谷物样品的高光谱图像数据为例进行说明：将要分析的谷物样品摆放在样品台上，准备好光源，采用专用的高光谱设备采集全波段高光谱图像数据。高光谱设备将全波段高光谱图像数据发送至获取模块10，获取模块10对高光谱设备将全波段高光谱图像数据进行预处理，以获取谷物样品的高光谱图像数据。
为保证识别精度，在高光谱设备采集高光谱原始图像数据时，采集全波段高光谱图像数据，为保证识别效率，减少计算量和节省计算时间，对所述全波段高光谱图像数据进行预处理，具体地，获取模块10还用于：获取待检测目标物的全波段高光谱图像数据；选取所述全波段高光谱图像数据中的感兴趣区域；根据所述感兴趣区域获取待检测目标物的光谱特征数据；对所述光谱特征数据进行标准正态变量变换和求导处理，得到光谱特征预处理数据；对所述光谱特征预处理数据进行首尾波段去除处理，得到高光谱图像数据。
可以理解的是，谷物样品的高光谱图像数据预处理过程可以为：第一步为选取感兴趣(region of interest，ROI)区域，采集到的原始高光谱图像中含有大量的无关像素点，为了节约计算资源，将采集的原始数据经过适当裁剪，将感兴趣的区域(ROI)截取出来进行处理。ROI区域是指在图像处理中，从被处理的图像中以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
第二步为提取光谱特征，采用图像分割技术，将谷物图像从背景中分割出来，并识别出每粒谷的像素点，将每粒谷所有像素点的光谱取中位数，即可提取出每粒谷的中位数光谱。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割方法可以包括：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
第三步为光谱预处理，由于受拍摄环境以及光照等因素的影响，提取出来的中位数光谱中含有大量噪声，不能直接用来进行分析，经过标准正态变量变换(standardNormal Variate transform，SNV)和求导处理以去除光谱数据中的噪声，可将得到的数据记为Xn×p，去掉易受噪声影响的首尾波段得到待检测目标物的高光谱图像数据，可将高光谱图像数据记为Xn×r，其中r小于p，标准正态变量变换主要是用来消除固体颗粒大小、表面散射以及光程变化对漫反射光谱的影响，SNV算法基于光谱阵的行对一条光谱进行处理。
通过对全波段高光谱图像数据进行预处理，得到待检测目标物的高光谱图像数据，去除冗余数据，去掉噪声光谱数据减少高光谱图像数据识别的计算量和计算时间。
分组模块20，用于通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组。
可以理解的是，为了得到更好的分组特征，将相似的光谱分在同一个组，得到差异较大的子波段组，具体过程可以是：采用多种相似性度量方法计算波段间相似性度量，相似性度量方法可以为互信息熵、灰度相关矩阵和光谱角制图法等方法中至少一种，然后采用分数层融合策略将每种度量方法计算得到的度量数据进行融合，从而构成相似性度量矩阵，根据相似性度量矩阵得到相似性度量融合数据；针对分数层融合策略得到的相似性度量融合数据，采用多种聚类方法分别进行聚类处理，聚类方法可以为模糊聚类、密度峰聚类和近邻传播聚类等方法中至少一种，然后采用决策层融合策略对各种聚类结果进行融合，得到最终的聚类结果，从而达到波段分组的效果，得到子波段组。通过以上处理，将高光谱图像数据的波段数据分为子波段组1、子波段组2、……、子波段组M，记为Xn×m，其中m值小于r值，分组后能保证每个小组波段的线性特征更明显，分组组合可以降低高光谱数据波段间的相互干扰，提高数据利用率，减少并优化特征空间。
稀疏模块30，用于对所述子波段组进行稀疏处理，得到稀疏子波段集。
可以理解的是，为得到更简洁的特征表达形式，对所述子波段组进行稀疏处理，从而更容易地获取图像数据中所蕴含的信息，更方便进一步对图像数据进行识别和处理。
需要说明的是，对子波段组进行稀疏处理可以为两次稀疏处理，第一次稀疏处理可以为通过预设子波段置信度估计模型计算出每个子波段的置信度值，并将子波段置信度值作为组稀疏模型中的权重以此来稀疏化子波段组数，将Xn×m稀疏，得到的稀疏化后的子波段集1、子波段集2、……、子波段集H，可以记为Xn×h，其中h值小于m值。
需要说明的是，第二次稀疏处理可以为对数据用稀疏主成分分析算法在给定右奇异向量稀疏度sumabsv和主成分个数k的条件下提取特征波段。
选择模块40，用于根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段。
通过子波集置信度值对波段进行进一步的选择，选择出的波段即为目标特征波段。可以理解的是，子波集置信度值通过预设子波段置信度估计模型计算得到。根据子波段置信度值对所述稀疏子波段集进行选择的过程可以包括根据子波段对应的置信度值确定稀疏子波段集中各个子波段的可信程度。在子波段对应的置信度值大于预设选择置信度值时，该子波段可被选择作为目标特征波段中的一个子波段。例如，子波段A对应的置信度值为0.8，大于预设置信度0.6，选择子波段A作为目标特征波段中的子波段B，子波段A为稀疏子波段集中的一个子波段，被选择后成为目标特征波段中的一个子波段。
识别模块50，用于通过所述目标特征波段对所述待检测目标物进行识别。
可以理解的是，通过所述目标特征波段对所述待检测目标物进行识别可以包括将目标特征波段输入到预设聚类算法中进行分类，如果分类效果良好，符合预设规范，说明找到了全部重要的特征波段，直接输出分类结果，即完成对待检测目标物的识别。
需要说明的是，预设聚类算法可以为K均值聚类算法，也可以为其他聚类算法，本实施例以K均值聚类算法(k-means clustering algorithm)为例进行说明，K均值聚类算法是一种迭代求解的聚类分析算法，具体步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算各样本与各个聚类中心的距离，将各样本回归于与之距离最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小，本实施例对此不加以限制。
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。
本实施例通过获取待检测目标物的高光谱图像数据；通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组；对所述子波段组进行稀疏处理，得到稀疏子波段集；根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段；通过所述目标特征波段对所述待检测目标物进行识别。通过上述方式，去除冗余信息，减少计算量和节省计算时间，获取信息量更大的特征波段，从而提高高光谱图像特征选择的准确率，分组后子波段组的线性特征更明显，降低高光谱数据波段间的相互干扰，提高数据利用率，提高了高光谱图像数据的识别精度和效率。
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特征识别方法，此处不再赘述。
在一实施例中，所述分组模块20，还用于遍历预设相似性度量算法集，根据遍历到的相似性度量算法对所述高光谱图像数据进行计算，得到波段间相似性度量数据；
通过预设分数层融合策略将所述波段间相似性度量数据进行融合，得到相似性度量融合数据；
遍历预设聚类算法集，根据遍历到的聚类算法对所述相似性度量融合数据进行聚类处理，得到聚类数据；
通过预设决策层融合策略对所述聚类数据进行融合，得到子波段组。
在一实施例中，所述稀疏模块30，还用于根据预设子波段置信度估计模型计算出所述子波段组对应的子波段置信度值；
以所述子波段置信度值为权重构建组稀疏模型；
根据所述组稀疏模型对所述子波段组进行稀疏，得到稀疏子波段组；
根据稀疏主成分分析算法对所述稀疏子波段组进行二次稀疏，得到稀疏子波段集。
在一实施例中，所述稀疏模块30，还用于获取右奇异向量稀疏度、主成分个数以及迭代次数；
根据所述右奇异向量稀疏度以及主成分个数对所述稀疏子波段组进行奇异值分解处理，得到所述稀疏子波段组对应的左奇异向量矩阵以及右奇异向量矩阵；
根据所述迭代次数通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵以及所述右奇异向量矩阵进行稀疏，得到稀疏后的左奇异向量矩阵以及稀疏后的右奇异向量矩阵；
根据所述稀疏后的左奇异向量矩阵以及所述稀疏后的右奇异向量矩阵得到方差贡献率，根据所述方差贡献率得到投影矩阵；
根据所述投影矩阵得到稀疏后的特征向量矩阵，将所述特征向量矩阵作为稀疏子波段集。
在一实施例中，所述稀疏模块30，还用于获取当前单因子迭代次数；
判断所述当前单因子迭代次数是否小于所述迭代次数；
在所述当前单因子迭代次数小于所述迭代次数时，判断所述右奇异向量矩阵对应的右奇异向量是否收敛；
在所述右奇异向量未收敛时，通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵对应的左奇异向量以及所述右奇异向量进行约束；
在所述当前单因子迭代次数等于所述迭代次数或者在所述右奇异向量收敛时，得到目标左奇异向量以及目标右奇异向量；
根据所述目标左奇异向量得到稀疏后的左奇异向量矩阵，根据所述目标右奇异向量得到稀疏后的右奇异向量矩阵。
在一实施例中，所述识别模块50，还用于根据预设聚类算法对所述目标特征波段进行分类，得到分类结果；
对所述分类结果进行检测；
在所述分类结果满足预设规范时，通过所述目标特征波段对所述待检测目标物进行识别；
在所述分类结果不满足预设规范时，根据预设交叉迭代调整策略对所述右奇异向量稀疏度以及所述主成分个数进行调整，得到调整后的右奇异向量稀疏度以及调整后的主成分个数；
根据所述调整后的右奇异向量稀疏度以及所述调整后的主成分个数执行所述根据所述右奇异向量稀疏度以及主成分个数对所述稀疏子波段组进行奇异值分解处理，得到所述稀疏子波段组对应的左奇异向量矩阵以及右奇异向量矩阵的步骤。
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)

1.一种高光谱图像特征识别方法，其特征在于，所述高光谱图像特征识别方法包括：
获取待检测目标物的高光谱图像数据；
通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组；
对所述子波段组进行稀疏处理，得到稀疏子波段集；
根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段；
通过所述目标特征波段对所述待检测目标物进行识别。
2.如权利要求1所述的高光谱图像特征识别方法，其特征在于，所述通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组，包括：
遍历预设相似性度量算法集，根据遍历到的相似性度量算法对所述高光谱图像数据进行计算，得到波段间相似性度量数据；
通过预设分数层融合策略将所述波段间相似性度量数据进行融合，得到相似性度量融合数据；
遍历预设聚类算法集，根据遍历到的聚类算法对所述相似性度量融合数据进行聚类处理，得到聚类数据；
通过预设决策层融合策略对所述聚类数据进行融合，得到子波段组。
3.如权利要求1所述的高光谱图像特征识别方法，其特征在于，所述对所述子波段组进行稀疏处理，得到稀疏子波段集，包括：
根据预设子波段置信度估计模型计算出所述子波段组对应的子波段置信度值；
以所述子波段置信度值为权重构建组稀疏模型；
根据所述组稀疏模型对所述子波段组进行稀疏，得到稀疏子波段组；
根据稀疏主成分分析算法对所述稀疏子波段组进行二次稀疏，得到稀疏子波段集。
4.如权利要求3所述的高光谱图像特征识别方法，其特征在于，所述根据稀疏主成分分析算法对所述稀疏子波段组进行二次稀疏，得到稀疏子波段集，包括：
获取右奇异向量稀疏度、主成分个数以及迭代次数；
根据所述右奇异向量稀疏度以及主成分个数对所述稀疏子波段组进行奇异值分解处理，得到所述稀疏子波段组对应的左奇异向量矩阵以及右奇异向量矩阵；
根据所述迭代次数通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵以及所述右奇异向量矩阵进行稀疏，得到稀疏后的左奇异向量矩阵以及稀疏后的右奇异向量矩阵；
根据所述稀疏后的左奇异向量矩阵以及所述稀疏后的右奇异向量矩阵得到方差贡献率，根据所述方差贡献率得到投影矩阵；
根据所述投影矩阵得到稀疏后的特征向量矩阵，将所述特征向量矩阵作为稀疏子波段集。
5.如权利要求4所述的高光谱图像特征识别方法，其特征在于，所述根据所述迭代次数通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵以及所述右奇异向量矩阵进行稀疏，得到稀疏后的左奇异向量矩阵和稀疏后的右奇异向量矩阵，包括：
获取当前单因子迭代次数；
判断所述当前单因子迭代次数是否小于所述迭代次数；
在所述当前单因子迭代次数小于所述迭代次数时，判断所述右奇异向量矩阵对应的右奇异向量是否收敛；
在所述右奇异向量未收敛时，通过单因子惩罚矩阵分解算法对所述左奇异向量矩阵对应的左奇异向量以及所述右奇异向量进行约束；
在所述当前单因子迭代次数等于所述迭代次数或者在所述右奇异向量收敛时，得到目标左奇异向量以及目标右奇异向量；
根据所述目标左奇异向量得到稀疏后的左奇异向量矩阵，根据所述目标右奇异向量得到稀疏后的右奇异向量矩阵。
6.如权利要求4所述的高光谱图像特征识别方法，其特征在于，所述通过所述目标特征波段对所述待检测目标物进行识别，包括：
根据预设聚类算法对所述目标特征波段进行分类，得到分类结果；
对所述分类结果进行检测；
在所述分类结果满足预设规范时，通过所述目标特征波段对所述待检测目标物进行识别；
在所述分类结果不满足预设规范时，根据预设交叉迭代调整策略对所述右奇异向量稀疏度以及所述主成分个数进行调整，得到调整后的右奇异向量稀疏度以及调整后的主成分个数；
根据所述调整后的右奇异向量稀疏度以及所述调整后的主成分个数执行所述根据所述右奇异向量稀疏度以及主成分个数对所述稀疏子波段组进行奇异值分解处理，得到所述稀疏子波段组对应的左奇异向量矩阵以及右奇异向量矩阵的步骤。
7.如权利要求1-6中任一项所述的高光谱图像特征识别方法，其特征在于，所述获取待检测目标物的高光谱图像数据，包括：
获取待检测目标物的全波段高光谱图像数据；
选取所述全波段高光谱图像数据中的感兴趣区域；
根据所述感兴趣区域获取待检测目标物的光谱特征数据；
对所述光谱特征数据进行标准正态变量变换和求导处理，得到光谱特征预处理数据；
对所述光谱特征预处理数据进行首尾波段去除处理，得到高光谱图像数据。
8.一种高光谱图像特征识别装置，其特征在于，所述高光谱图像特征识别装置包括：
获取模块，用于获取待检测目标物的高光谱图像数据；
分组模块，用于通过预设相似性度量融合策略以及预设聚类融合策略对所述高光谱图像数据进行分组，得到子波段组；
稀疏模块，用于对所述子波段组进行稀疏处理，得到稀疏子波段集；
选择模块，用于根据子波段置信度值对所述稀疏子波段集进行选择，得到目标特征波段；
识别模块，用于通过所述目标特征波段对所述待检测目标物进行识别。
9.一种高光谱图像特征识别设备，其特征在于，所述设备包括：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特征识别程序，所述高光谱图像特征识别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特征识别方法的步骤。
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特征识别程序，所述高光谱图像特征识别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特征识别方法的步骤。
CN202010934307.4A 2020-09-09 2020-09-09 高光谱图像特征识别方法、装置、设备及存储介质 Active CN112070008B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010934307.4A CN112070008B (zh) 2020-09-09 2020-09-09 高光谱图像特征识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010934307.4A CN112070008B (zh) 2020-09-09 2020-09-09 高光谱图像特征识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112070008A true CN112070008A (zh) 2020-12-11
CN112070008B CN112070008B (zh) 2024-03-19

Family

ID=73664325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010934307.4A Active CN112070008B (zh) 2020-09-09 2020-09-09 高光谱图像特征识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112070008B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113125358A (zh) * 2021-04-26 2021-07-16 山东深蓝智谱数字科技有限公司 一种基于高光谱的食品农药残留检测方法、设备及介质
CN113160183A (zh) * 2021-04-26 2021-07-23 山东深蓝智谱数字科技有限公司 一种高光谱数据处理方法、设备及介质
CN113887658A (zh) * 2021-10-22 2022-01-04 深圳晶泰科技有限公司 晶体粉末衍射图谱的聚类方法、装置及存储介质
CN114496209A (zh) * 2022-02-18 2022-05-13 青岛市中心血站 一种献血智能决策方法及系统
CN114878094A (zh) * 2022-04-28 2022-08-09 西安交通大学 多谱段激发油痕成影装置及检测方法
CN116580237A (zh) * 2023-05-16 2023-08-11 中国自然资源航空物探遥感中心 一种基于光谱增强的矿物信息识别系统与方法
CN117611466A (zh) * 2023-12-04 2024-02-27 宁波研祥科技有限公司 高光谱图像融合方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140050405A1 (en) * 2012-08-17 2014-02-20 Ge Aviation Systems Llc. Method of evaluating the confidence of matching signatures of a hyperspectral image
CN106203523A (zh) * 2016-07-17 2016-12-07 西安电子科技大学 基于梯度提升决策树半监督算法融合的高光谱图像分类
CN111242228A (zh) * 2020-01-16 2020-06-05 武汉轻工大学 高光谱图像分类方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140050405A1 (en) * 2012-08-17 2014-02-20 Ge Aviation Systems Llc. Method of evaluating the confidence of matching signatures of a hyperspectral image
CN106203523A (zh) * 2016-07-17 2016-12-07 西安电子科技大学 基于梯度提升决策树半监督算法融合的高光谱图像分类
CN111242228A (zh) * 2020-01-16 2020-06-05 武汉轻工大学 高光谱图像分类方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
N.IMAMOGLU等: "Salient object detection on hyperspectral images using features learned from unsupervised segmentation task", ICASSP, pages 2192 - 2196 *
毕晓君，周泽宇: "基于大规模多目标优化的高光谱稀疏解混算法", 哈尔滨工程大学学报, vol. 40, no. 7, pages 1354 - 1360 *
王天宇: "基于空间和光谱特征的高光谱遥感图像识别研究", 《中国优秀硕士学位论文全文数据库（信息科技）》 *
黄何;康镇: "高光谱图像分类", 信息科技探索, pages 105 - 108 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113125358A (zh) * 2021-04-26 2021-07-16 山东深蓝智谱数字科技有限公司 一种基于高光谱的食品农药残留检测方法、设备及介质
CN113160183A (zh) * 2021-04-26 2021-07-23 山东深蓝智谱数字科技有限公司 一种高光谱数据处理方法、设备及介质
CN113160183B (zh) * 2021-04-26 2022-06-17 山东深蓝智谱数字科技有限公司 一种高光谱数据处理方法、设备及介质
CN113887658A (zh) * 2021-10-22 2022-01-04 深圳晶泰科技有限公司 晶体粉末衍射图谱的聚类方法、装置及存储介质
WO2023065515A1 (zh) * 2021-10-22 2023-04-27 深圳晶泰科技有限公司 晶体粉末衍射图谱的聚类方法、装置及存储介质
CN114496209A (zh) * 2022-02-18 2022-05-13 青岛市中心血站 一种献血智能决策方法及系统
CN114878094A (zh) * 2022-04-28 2022-08-09 西安交通大学 多谱段激发油痕成影装置及检测方法
CN116580237A (zh) * 2023-05-16 2023-08-11 中国自然资源航空物探遥感中心 一种基于光谱增强的矿物信息识别系统与方法
CN116580237B (zh) * 2023-05-16 2024-02-20 中国自然资源航空物探遥感中心 一种基于光谱增强的矿物信息识别系统与方法
CN117611466A (zh) * 2023-12-04 2024-02-27 宁波研祥科技有限公司 高光谱图像融合方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112070008B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN112070008B (zh) 高光谱图像特征识别方法、装置、设备及存储介质
Tirandaz et al. PolSAR image segmentation based on feature extraction and data compression using weighted neighborhood filter bank and hidden Markov random field-expectation maximization
Li et al. Using wavelet transform and multi-class least square support vector machine in multi-spectral imaging classification of Chinese famous tea
Plaza et al. Spatial/spectral endmember extraction by multidimensional morphological operations
Keshava A survey of spectral unmixing algorithms
CN107563442B (zh) 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法
CN101908138B (zh) 基于噪声独立成分分析的合成孔径雷达图像目标识别方法
Dass et al. Validating a biometric authentication system: Sample size requirements
CN109919241B (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN110751087B (zh) 一种基于eof的无人机信号识别系统和方法
CN110298414B (zh) 基于去噪组合降维和引导滤波的高光谱图像分类方法
CN110346312B (zh) 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法
Capobianco et al. Target detection with semisupervised kernel orthogonal subspace projection
CN113139512B (zh) 基于残差和注意力的深度网络高光谱影像分类方法
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
Dalal et al. ETR: Enhancing transformation reduction for reducing dimensionality and classification complexity in hyperspectral images
CN113640397A (zh) 一种基于深度网络的遥感影像变化检测方法及系统
Ramakrishnan et al. Image texture classification using wavelet based curve fitting and probabilistic neural network
Shambulinga et al. Supervised hyperspectral image classification using SVM and linear discriminant analysis
CN111666999A (zh) 一种遥感图像的分类方法
CN111751295A (zh) 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用
Rezvanian et al. Patch-based sparse and convolutional autoencoders for anomaly detection in hyperspectral images
CN110807387A (zh) 一种基于高光谱图像特征的对象分类方法及系统
Yu et al. Variational wishart approximation for graphical model selection: Monoscale and multiscale models

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