CN112949592A - 高光谱图像的分类方法、装置和电子设备 - Google Patents

高光谱图像的分类方法、装置和电子设备 Download PDF

Info

Publication number
CN112949592A
CN112949592A CN202110353206.2A CN202110353206A CN112949592A CN 112949592 A CN112949592 A CN 112949592A CN 202110353206 A CN202110353206 A CN 202110353206A CN 112949592 A CN112949592 A CN 112949592A
Authority
CN
China
Prior art keywords
image
layer
dimensional
pixel point
network
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
CN202110353206.2A
Other languages
English (en)
Other versions
CN112949592B (zh
Inventor
周浩
黄钢平
袁国武
高赟
普园媛
余鹏飞
黎时冲
肖克豪
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN202110353206.2A priority Critical patent/CN112949592B/zh
Publication of CN112949592A publication Critical patent/CN112949592A/zh
Application granted granted Critical
Publication of CN112949592B publication Critical patent/CN112949592B/zh
Expired - Fee Related 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种高光谱图像的分类方法、装置和电子设备，将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征；基于图像特征，确定目标高光谱图像中每个像素点的初始类别；将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；根据重建损失值和初始类别，确定像素点的最终类别。该方式中，对提取的图像特征进行重建使其尽可能恢复目标高光谱图像的特征，得到重建图像，根据重建图像和目标高光谱图像，能够确定未知类的像素点，提高了分类结果的准确性。

Description

高光谱图像的分类方法、装置和电子设备
技术领域
本发明涉及高光谱图像的分类识别技术领域，尤其是涉及一种高光谱图像的分类方法、装置和电子设备。
背景技术
高光谱图像是具有丰富的光谱信息和空间信息的三维光立方体，可视为三维图像，在普通二维图像之外多了一维光谱信息；高光谱图像的分类是指从高光谱图像数据中提取光谱信息或空间信息对图像中每个像素进行分类。相关技术中，通常是基于像素点都是完整的已知类别，并且每一个像素点都可以用现有的标记值去进行标记分类的高光谱图像进行分类，但是，由于高光谱图像覆盖区域大，通常情况下现有的标记值不可能去囊括图像中的所有类别，其中必然存在没有经过标记的类别(未知类)。现有的分类方法中未知类通常会被分配给目前已知的类别标记值，导致已知类别的估计面积变大，降低分类结果的准确性。
发明内容
有鉴于此，本发明的目的在于提供一种高光谱图像的分类方法、装置和电子设备，可以识别目标高光谱图像中未知类的像素点，提高分类结果的准确性。
本发明实施例提供了一种高光谱图像的分类方法，包括：将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征；基于图像特征，确定目标高光谱图像中每个像素点的初始类别；将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；根据重建损失值和初始类别，确定像素点的最终类别。
进一步的，特征提取网络模型包括依次连接的光谱特征提取网络、特征调整层、空间特征提取网络和池化层；光谱特征提取网络包括依次连接的首层三维卷积层、光谱密集连接卷积子网络、末层三维卷积层、激活函数和归一化函数；空间特征提取网络包括依次连接的首层三维卷积子网络、激活函数、归一化函数、末层三维卷积子网络；其中，首层三维卷积子网络包括并联连接的两个三维卷积层；末层三维卷积子网络包括依次连接的两个三维卷积层；每个三维卷积层的末尾连接有激活函数和归一化函数。
进一步的，基于图像特征，确定目标高光谱图像中每个像素点的初始类别的步骤，包括：将图像特征进行降维处理，得到图像特征对应的一维数据；将一维数据进行加速处理，得到处理结果；将处理结果输入至全连接层，输出目标高光谱图像中每个像素点的初始类别的预测值；根据预测值确定像素点的初始类别。
进一步的，图像重建网络模型包括依次连接的第一特征调整层、首层三维逆卷积层、两个中间三维逆卷积层、第一逆密集连接卷积子网络、特征融合层、末层三维逆卷积层，第二特征调整层；其中，每个三维逆卷积层末尾连接有激活函数和归一化函数；首层三维逆卷积层和第一个中间三维逆卷积层的末尾分别连接有第二逆密集连接卷积子网络和第三逆密集连接卷积子网络；逆密集连接卷积子网络的末尾连接有三维逆卷积层、激活函数和归一化函数。
进一步的，基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值的步骤，包括：根据重建图像和目标高光谱图像中每个像素点的数据，利用范数计算重建图像中每个像素点的重建损失值。
进一步的，根据重建损失值和初始类别，确定像素点的最终类别的步骤，包括：根据重建损失值，通过预先建立的重建损失值的概率模型，计算重建损失值大于预设损失阈值的概率值；如果概率值大于等于预设置信度，确定重建损失值对应的像素点的最终类别为未知类；如果概率值小于预设置信度，确定重建损失值对应的像素点的最终类别为该像素点初始类别。
进一步的，概率模型包括：
Figure BDA0003002469900000031
其中，Gξ,u(v)表示概率模型；v表示重建损失值；ξ表示形状参数；v表示比例参数。
本发明实施例提供了一种高光谱图像的分类装置，包括：图像特征提取模块，用于将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征；初始类别确定模块，用于基于图像特征，确定目标高光谱图像中每个像素点的初始类别；目标高光谱图像重建模块，用于将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；重建损失值确定模块，用于基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；最终类别确定模块，用于根据重建损失值和初始类别，确定像素点的最终类别。
本发明实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现第一方面任一项的高光谱图像的分类方法。
本发明实施例提供了一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现第一方面任一项的高光谱图像的分类方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种高光谱图像的分类方法、装置和电子设备，将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征；基于图像特征，确定目标高光谱图像中每个像素点的初始类别；将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；根据重建损失值和初始类别，确定像素点的最终类别。该方式中，对提取的图像特征进行重建使其尽可能恢复目标高光谱图像的特征，得到重建图像，根据重建图像和目标高光谱图像，能够确定未知类的像素点，提高了分类结果的准确性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高光谱图像的分类方法的流程框图；
图2为本发明实施例提供的一种高光谱图像的分类方法的流程图；
图3为本发明实施例提供的一种特征提取网络模型的网络结构示意图；
图4为本发明实施例提供的一种光谱密集连接卷积子网络的网络结构示意图；
图5为本发明实施例提供的一种图像重建网络模型的网络结构示意图；
图6为本发明实施例提供的一种重建损失值的分布直方图；
图7为本发明实施例提供的一种高光谱图像的分类方法的算法流程框图；
图8为本发明实施例提供的一种高光谱图像的分类装置的结构示意图；
图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
高光谱图像是具有丰富的光谱信息和空间信息的立方体，可视为三维图像，在普通二维图像之外多了一维光谱信息。光谱信息的维度揭示了图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维特征信息的有机融合。不同物质在不同波段光谱下呈现不同的信号特征，可以绘制成一条关于光谱波段和光谱值之间的曲线，根据曲线的差异，可以对不同物质进行分类。高光谱图像由于其光谱分辨率很高、光谱范围也很广，使其具有丰富的光谱信息，可以应用于各种地物成分分析和目标识别等场景中。
高光谱遥感图像的分类是通过对高光谱图像数据中的光谱信息和空间信息进行分析、特征提取，并按照某种算法将图像中每个像元划分为不同的类别。具体可以参见如图1所示高光谱图像的分类方法的流程框图，包括训练和检测两个部分，在训练阶段，建立模型，包括确定模型的输出层节点数，隐藏层数，各层结构，连接方式，隐藏层与输出层的连接方式等，确定激活函数，损失函数，初始化模型后，输入训练数据，比较已知的标记值和对应的输出，计算损失，并更新模型参数，当损失满足要求后，训练结束，进行测试，按同样的步骤，输入特征向量给训练好的模型，此时的输出为分类结果。
传统对高光谱图像的分类都是在基于“封闭集”的前提，也就是基于要进行分类的图像中的像素点都是完整的已知类别，并且每一个像素点都可以用现有的标记值去进行标记分类的假设下进行的。然而，对于高光谱图像而言，在现实情况中，这种假设往往过于严格，通常情况下一张高光谱图像扫描的范围下现有的标记值不可能去囊括图像中的所有类别，图像中必然存在没有经过标记的类别(未知类)，属于“开放集”的情况。在闭环系统中这些未知类会被强制的分配给目前已知的类别标记值，这必然会导致已知类别的估计面积变大(例如庄稼种植面积)，从而影响统计和决策指定等。另外，高光谱图像人工标注成本高，标注样本少，而神经网络需要大量的标注样本进行训练拟合网络参数才能达到较好的效果，如果训练样本数量较少，会引起“过拟合”现象，导致分类精度降低。
基于此，本发明实施例提供的一种高光谱图像的分类方法、装置和电子设备，该技术可以应用于具有图像处理功能的电子设备，比如计算机、笔记本、服务器等。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种高光谱图像的分类方法进行详细介绍，如图2所示，该方法包括如下步骤：
步骤S202，将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征；
上述高光谱图像中每个像素通常由几十甚至几百个不同波段的传感器成像得到，传统彩色图像的每个像素仅仅包含有RGB三个通道的像素值，而高光谱图像的每个像素则由几十乃至几百个通道的像素值组成。上述预先训练完成的特征提取网络模型通常包括多个不同尺度的卷积核，利用不同尺度的卷积核提取目标高光谱图像的图像特征，该图像特征中通常包括目标高光谱图像的光谱特征和空间特征。
具体的，特征提取网络模型可以理解为神经网络，其中的卷积块可以对目标高光谱图像的光谱信息和空间信息的特征进行提取，比如，可以设置X为所有输入高光谱图像的样本空间，其中包括有所有的待分类的目标高光谱图像，其中每一个目标高光谱图像x∈X。给定具体的待分类目标高光谱图像的情况下，第k个索引的目标高光谱图像可以用xk表示，定义提取高光谱图像的特征提取网络模型为φ(·)，因此上述将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征的过程可以通过公式xφ＝φ(x)表示，其中xφ表示图像特征。
步骤S204，基于图像特征，确定目标高光谱图像中每个像素点的初始类别；
具体的，可以通过已经训练完成的分类器将目标高光谱图像中每个像素点的图像特征进行分类识别，确定目标高光谱图像中每个像素点的初始类别，该初始类别通常为已知类，已知类通常包括庄稼种植土壤类、水体类、植被类、建筑类、道路类等；具体可以基于图像特征，确定目标高光谱图像中每个像素点的具体类别。该种方式中确定的初始类别中通常会包括未知类，由于上述模型不具备未知类识别的功能，通常会将实际的未知类像素点识别为已知的一种类别。
步骤S206，将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；
为了能够识别出目标高光谱图像中的未知类，在上述特征提取网络模型的基础上增加了图像重建网络模型，该图像重建网络模型设置在上述特征提取网络模型之后，包括多个不同尺度的逆卷积核，在上述特征提取网络模型输出图像特征后，可以将图像特征输入至预先训练完成的图像重建网络模型中，利用不同尺度的逆卷积核，对图像特征进行逆运算，通过对图像特征进行逆运算和重建处理，使其尽可能恢复回原始的目标高光谱图像的特征。
具体的，上述将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像过程可以通过公式xΛ＝Fr(xφ)表示，其中，xφ表示图像特征；Fr(·)表示图像重建网络模型；xΛ表示重建图像。
步骤S208，基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；
可以通过损失函数计算重建图像和目标高光谱图像中每个像素点的损失值，还可以通过差值、范数等方法计算重建图像和目标高光谱图像中每个像素点的损失值。上述重建损失值用于表示重建图像与目标高光谱图像之间每个像素点的不同程度。
步骤S210，根据重建损失值和初始类别，确定像素点的最终类别。
上述最终类别中包括未知类；具体的，可以设置重建损失值阈值，针对每个像素点计算重建损失值超过重建损失值阈值的条件概率，根据该条件概率确定该像素点的初始类别是否为未知类，其中的重建损失值阈值可以根据实际需要进行设置。
本发明实施例提供了一种高光谱图像的分类方法，将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征；基于图像特征，确定目标高光谱图像中每个像素点的初始类别；将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；根据重建损失值和初始类别，确定像素点的最终类别。该方式中，对提取的图像特征进行重建使其尽可能恢复目标高光谱图像的特征，得到重建图像，根据重建图像和目标高光谱图像，能够确定未知类的像素点，提高了分类结果的准确性。
参见图3所示的特征提取网络模型的结构示意图，上述特征提取网络模型的网络结构包括依次连接的光谱特征提取网络、特征调整层、空间特征提取网络和池化层。其中的光谱特征提取网络用于提取目标高光谱图像的光谱特征；特征调整层用于将光谱特征提取网络输出的特征矩阵的形状进行重新调整(即调整行列的数目)，前提是调整前后数据的总的个数不变，如1*256的矩阵调整为16*16大小；图3中Reshape层为上述特征调整层。其中的空间特征提取网络用于提取目标高光谱图像的空间特征，具体的将特征调整层输出的特征矩阵输入至空间特征提取网络，提取得到目标高光谱图像的图像特征。上述池化层用于压缩特征数据和参数的数量，减小过拟合。在训练过程中能够利用较少的样本训练模型的参数。
上述光谱特征提取网络包括依次连接的首层三维卷积层、光谱密集连接卷积子网络、末层三维卷积层、激活函数和归一化函数；
为了充分利用高光谱图像丰富的光谱和空间信息，本实施例中的卷积层都是三维卷积；在光谱特征提取阶段，首先将目标高光谱图像经过一个卷积核大小为(1,1,7)滤波器数量为24的三维卷积层，输出目标高光谱图像的部分光谱特征，然后输入光谱密集连接卷积子网络，该光谱密集连接卷积子网络用于充分提取目标高光谱图像的光谱特征；经过光谱密集连接卷积子网络后用一个卷积核大小为(1,1，N)，滤波器个数也为N的三维卷积加上激活函数和批归一化进一步处理，得到目标高光谱图像的光谱特征，其中N为目标高光谱图像的光谱维度。
参见图4所示的光谱密集连接卷积子网络的网络结构示意图，光谱密集连接卷积子网络由四个卷积核为(1,1,7)滤波器数量为12的三维卷积加上激活函数和批归一化构成；每一层三维卷积将之前所有层的输入进行拼接，然后将输出的特征传递给之后的所有三维卷积层。
上述空间特征提取网络包括依次连接的首层三维卷积子网络、激活函数、归一化函数、末层三维卷积子网络；其中，首层三维卷积子网络包括并联连接的两个三维卷积层；末层三维卷积子网络包括依次连接的两个三维卷积层；每个三维卷积层的末尾连接有激活函数和归一化函数。
具体的，将经过充分光谱提取后的光谱特征(即特征调整层的输出)分别输入至卷积核大小为(3,3,1)滤波器数量为64的两个三维卷积中；需要说明的是，此时不需要对输出的图像边缘进行填充，这样经过卷积后的图像大小会变小。然后将输出的特征矩阵输入至激活函数和批归一化；然后将归一化函数输出的特征矩阵输入至末层三维卷积子网络中，用相同卷积核大小为(3,3,1)和滤波器数量为64的两个三维卷积加上激活函数和归一化函数进一步提取空间信息，此时需要对图像进行填充，以保证卷积后的图像大小和原来的目标高光谱图像的尺度相同。最后将末层三维卷积子网络输出的特征矩阵输入至池化层，得到目标高光谱图像的图像特征。
上述特征提取网络模型的网络结构通过多个不同尺度的三维卷积可以充分提取目标高光谱图像中的光谱特征和空间特征；另外利用样本图像进行网络参数训练的过程中，能够利用少量的训练样本训练光谱特征提取网络。通过使用光谱密集连接卷积子网络可以充分提取高光谱图像的光谱信息，使用空间三维卷积充分提取空间信息。使得高光谱图像的光谱和空间信息被充分的提取。为后面的高光谱图像预测和重建保留了充分的重要信息。
参见图5所示的图像重建网络模型的网络结构示意图，上述图像重建网络模型包括依次连接的第一特征调整层、首层三维逆卷积层、两个中间三维逆卷积层、第一逆密集连接卷积子网络、特征融合层、末层三维逆卷积层，第二特征调整层；
其中，每个三维逆卷积层末尾连接有激活函数和归一化函数；首层三维逆卷积层和第一个中间三维逆卷积层的末尾分别连接有第二逆密集连接卷积子网络和第三逆密集连接卷积子网络；逆密集连接卷积子网络的末尾连接有三维逆卷积层、激活函数和归一化函数。
具体的，将上述池化层输出的光谱特征作为第一特征调整层的输入，该第一特征调整层用于将池化层的输出调整为(1,1,1,64)的三维特征；将第一特征调整层输出的特征矩阵输入至首层三维逆卷积层，该首层三维逆卷积的卷积核大小为(1,3,3)滤波器数量64，经过首层三维逆卷积后输出的特征矩阵，相比于第一特征调整层输出的特征矩阵长和宽的尺度增加2；将首层三维逆卷积输出的特征矩阵依次经过两个中间三维逆卷积层，其中的第一个中间三维逆卷积的卷积核大小为(1，5，5)滤波器数量64，第二个中间三维逆卷积的卷积核大小为(1，7，7)滤波器数量64；首层三维逆卷积输出的特征矩阵每经过一个中间三维逆卷积层，其长和宽的尺度增加2。
由于首层三维逆卷积层末尾连接有第二逆密集连接卷积子网络，第一个中间三维逆卷积层的末尾连接有第三逆密集连接卷积子网络，因此，需要将首层三维逆卷积层和第一个中间三维逆卷积层输出的特征矩阵分别输入至第二逆密集连接卷积子网络和第三逆密集连接卷积子网络；然后通过每个逆密集连接卷积子网络末尾接的相同的三维逆卷积、激活层和批归一化层，使每个逆密集连接卷积子网络输出的特征矩阵大小相等；最后将三个逆密集连接卷积子网络输出的特征矩阵，输入至特征融合层进行融合处理。将特征融合层输出的特征矩阵输入至末层三维逆卷积层，该末层三维逆卷积层的卷积核大小为(1，9，9，N)，其中N为目标高光谱图像的光谱维度，最后将末层三维逆卷积层的输出的特征矩阵输入至第二特征调整层，通过第二特征调整层将输出的重建图像的尺度调整与目标高光谱图像的尺度相同，最后得到重建图像；其中第二特征调整层的大小为(9，9，N，1)。
上述图像重建网络模型可以将特征提取网络模型提取得到的图像特征进行重构，得到重建图像，根据重建图像和目标高光谱图像，能够确定未知类的像素点，提高了分类结果的准确性。另外，上述图像重建网络模型将不通逆卷积层输出的特征分别输入至多个逆密集连接卷积子网络，将重建的不同阶段特征进行融合，生成最终的重建图像，重建鲁棒性较高；
上述步骤S204中基于图像特征，确定目标高光谱图像中每个像素点的初始类别的步骤，一种可能的实施方式：将图像特征进行降维处理，得到图像特征对应的一维数据；将一维数据进行加速处理，得到处理结果；将处理结果输入至全连接层，输出目标高光谱图像中每个像素点的初始类别的预测值；根据预测值确定像素点的初始类别。
继续参见图3，上述过程可以理解为将图像特征输入至预先训练完成的分类器，基于该分类器输出目标高光谱图像中每个像素点的初始类别。具体的，前述特征提取网络模型输出图像特征后，首先对图像特征进行降维处理，利用flatten()函数，将图像特征进行flatten平铺处理，处理为一维数据；然后将一维数据进行加速处理，该加速处理是对一维数据进行Dropout处理；该处理过程可以使前述网络模型在网络参数训练过程中避免由于训练样本少的出现过拟合的现象。最后将处理结果输入至全连接层，输出目标高光谱图像中每个像素点的初始类别的预测值；根据预测值确定像素点的初始类别。
具体的，输出图像特征后，可以用全连接层和SoftMax激活函数作为分类器，分类器的输出概率可以用下列公式表示：
Figure BDA0003002469900000131
其中，ωj是在全连接层第j个神经元的权重向量；bj是对应的偏置；C是标记值的个数也就是分类的类别数。
上述步骤S208中基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值的步骤，一种可能的实施方式：根据重建图像和目标高光谱图像中每个像素点的数据，利用范数计算重建图像中每个像素点的重建损失值。
上述重建损失值用于表示重建图像与目标高光谱图像中每个像素点之间的差距；具体可以利用L1范数计算重建图像的损失，重建损失值的就算公式为：Lr(x,xΛ)＝||x-xΛ||1；其中，x为目标高光谱图像；xΛ为重建图像；Lr(x,xΛ)为重建损失值。
需要说明的是，在模型训练过程中，分类器的任务就是通过最小化损失，优化网络中的参数使得损失函数最小，比如，利用交叉熵损失函数可以用下式表示
Figure BDA0003002469900000132
其中C代表类别个数，y是真实标注值，yΛ是预测值。
对于初始分类预测和重建图像的整个阶段，损失函数由分类损失和重建损失两部分组成的整体损失最小，通过反向传播优化网络参数使得整体损失最小，具体如下式所示：
min(λcLc(y,yΛ)+λrLr(x,xΛ))
其中，λc为交叉熵损失(分类损失)的权重；λr为重建损失的权重。
上述步骤S210中根据重建损失值和初始类别，确定像素点的最终类别的步骤，一种可能的实施方式：
(1)根据重建损失值，通过预先建立的重建损失值的概率模型，计算重建损失值大于预设损失阈值的概率值；
上述概率模型包括：
Figure BDA0003002469900000141
上式中Gξ,u(v)表示概率模型；v表示重建损失值；ξ表示形状参数；v表示比例参数。
上述概率模型表示重建损失函数值大于预设损失阈值的条件概率；具体的可以通过下述方式得到：
获取训练和测试过程中得到的多个重建损失值，建立多个重建损失值的直方图，如图6所示重建损失值的分布直方图，图中的(a)表示训练过程中得到的重建损失值的直方图，图中的(b)表示测试过程中得到的重建损失值的直方图，横轴loss表示重建损失值的大小，纵轴density代表重建损失值的概率，本实施例采用极值理论中的Generalized ParetoDistribution(GPD，广义帕累托分布)对重建损失值的分布进行分析，用GPD对损失值的“尾部”分布进行建模，及重建损失值大于预设损失阈值的情况下的概率分布情况进行建模，设损失值为V，设预设损失阈值为w。则随机变量V-w表示重建损失值超过预设损失阈值的变量值，该变量值的概率分布函数为：
Figure BDA0003002469900000142
极值理论认为该变量值的分布可以用GPD来近似，即：
Figure BDA0003002469900000151
其中，当ξ≥0时，v≥0，而当ξ＜0时，0≤v≤-(μ/ξ)。ξ为形状参数，其不同的取值意味着不同的概率分布，μ为比例参数。
前述两个概率分布公式和变量值的分布公式的物理含义为，如果重建损失值V超过预设损失阈值w的条件概率可以用广义帕累托分布来模拟，而形状参数和比例参数可以通过最小二乘法进行估计，在得到形状参数ξ以及比例参数μ后，将重建损失值代入概率模型，计算得到对应的概率值。
(2)如果概率值大于等于预设置信度，确定重建损失值对应的像素点的最终类别为未知类；
(3)如果概率值小于预设置信度，确定重建损失值对应的像素点的最终类别为该像素点初始类别。
若计算得到的概率Gξ,u(v)大于等于预定置信度z，则认为重建损失值对应的像素点的最终类别为未知类。若计算得到的概率Gξ,u(v)小于预定置信度z，则认为重建损失值对应的像素点的最终类别为该像素点初始类别。其中的置信度通常可以设置为0.5。
上述方式中，通过预先建立的重建损失值的概率模型，可以计算重建损失值大于预设损失阈值的概率，通过对未知类分类好坏的多个评价指标分析，和在不同的高光谱数据集上的测试得出，该方法均优于在高光谱未知类分类的最好分类方法，进一步提升了对未知类的标识和分类。
本实施例还提供一种高光谱图像的分类方法的算法流程框图，如图7所示，首先将原始图像(对应前述的目标高光谱图像)输入至编码器或者特征提取器(对应前述的特征提取网络模型)，得到原始图像的图像特征，然后分别将图像特征输入至分类器(对应前述的步骤S204)和解码器或者重建器(对应前述的图像重建网络模型)，分别得到原始图像中每个像素点的初始类别，以及原始图像的重建图像，然后根据原始图像和重建图像，计算重建图像的损失值(对应前述的重建损失值)，对该损失值进行极值理论分析，根据重建损失值和初始类别，识别未知类像素点。
具体的算法流程如下：
输入：样本X,特征提取网络模型φ(·)，分类器f(·)，图像重建网络模型F(·)，概率模型(也可以称为分布函数)Gξ,u(v)，预设损失阈值w，损失置信度z；
1.特征提取：Xφ＝φ(X)；
2.确定目标高光谱图像中每个像素点的初始类别(已知类别)：ypred＝f(Xφ)；
3.重建图像：
Figure BDA0003002469900000161
4.计算重建损失值：
Figure BDA0003002469900000162
5.基于极值理论模型计算概率Gξ,u(v)，其中重建损失值为v，预设损失阈值为w；
6.如果Gξ,u(v)＜z，即冲重建损失值大于预设损失阈值w的概率Gξ,u(v)小于置信度z，则ypred＝ypred，认为当前样本不属于未知类；
7.否则(Gξ,u(v)≥z)，则认为存在未知类，ypred＝unknown，将当前样本归类为未知类；
8.返回ypred；
上述方式，与前述实施例提供的高光谱图像的分类方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
另外，为了检测本发明中高光谱图像的分类方法的分类效果，采用开放整体精度(Open OA)和映射误差(Mapping Error)对分类结果进行评价。Open OA是从“封闭集”C个类别中的整体精度加上未知类共同构成的整体精度,具体计算如下式所示。
Figure BDA0003002469900000171
其中，TP表示预测为正，实际也为正的情况，TN表示预测为负，实际也为负正的情况，FP表示预测为正实际为负正的情况，FN表示预测为负，实际为正的情况。在高光谱图像的分类中，通常感兴趣的是已知类别的精度而不是未知类的精度，而Open OA评价指标将未知类的准确性考虑在内，如果已知类占一小部分，那么Open OA将会主要由未知类的精度决定。映射误差定义如下：
Figure BDA0003002469900000172
其中，Ap,i表示第i个类别的预测区域，Agt,i表示真值区域，C表示已知的类别，C+1表示未知的类别。
将本发明提出的高光谱图像的分类方法与目前最好的高光谱未知类识别方法(MDL4OW)分别在数据集University of Pavia，Salinas Valley和Indian Pines三种数据集上进行比较，结果表示，本发明所提出的方法成功的标识分类了未知类别；在MDL4OW中，预测的未知类的结果比较分散，并且在很多情况下，将本应该是已知类的情况分到了未知类，因此所提出的方法和MDL4OW相比更加具有鲁棒性和稳定性。
进一步的，表1,2,3用表格数据的形式展示了在每类的训练样本只有20个的情况下开放整体精度(OpenOA)和映射误差(Mapping Error)提出方法与MDL4OW的比较。由表1可以看出，在数据集University of Pavia中，所提出的方法无论是在global模式还是在classwise模式中的OpenOA都比MDL4OW有所提高，在global和classwise模式中所提出的方法的OpenOA分别为86.7％和83.3％分别比MDL4OW提高了1.8％和1.2％，而在映射误差方面则分别下降了3.8％和1％。由表2可以看出，在数据集Salinas Valley中，所提出的方法在两种模式下分别是在global模式中提升了0.7％，达到了89.6％和在classwise模式达到了83.7％，提升了1.7％而在映射误差方面则分别下降了1.9％和5.4％。在数据集IndianPines中，由表3可以看出，在global和classwise模式中所提出的方法的OpenOA分别为69.5％和68.1％。分别比原来提高了1％和0.2％，而在映射误差方面则分别下降了3.2％和0.01％。
表1在20个训练样本的情况下对于University of Pavia数据集所提方法与MDL4OW在两种模式下的比较；
Figure BDA0003002469900000181
Figure BDA0003002469900000191
表2：在20个训练样本的情况下对于Salinas Valley数据集所提方法与MDL4OW在两种模式下的比较；
Figure BDA0003002469900000192
表3：在20个训练样本的情况下对于Indian Pines数据集所提方法与MDL4OW在两种模式下的比较；
Figure BDA0003002469900000201
通过上述对比实验可知，本发明提出的高光谱图像的分类方法，能够准确识别未知类，提高了分类精度。
对应上述的方法实施例，本发明实施例还提供了一种高光谱图像的分类装置，如图8所示，该装置包括：
图像特征提取模块81，用于将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征；
初始类别确定模块82，用于基于图像特征，确定目标高光谱图像中每个像素点的初始类别；
目标高光谱图像重建模块83，用于将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；
重建损失值确定模块84，用于基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；
最终类别确定模块85，用于根据重建损失值和初始类别，确定像素点的最终类别。
本发明实施例提供了一种高光谱图像的分类装置，将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出目标高光谱图像的图像特征；基于图像特征，确定目标高光谱图像中每个像素点的初始类别；将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；根据重建损失值和初始类别，确定像素点的最终类别。该方式中，对提取的图像特征进行重建使其尽可能恢复目标高光谱图像的特征，得到重建图像，根据重建图像和目标高光谱图像，能够确定未知类的像素点，提高了分类结果的准确性。
进一步的，上述特征提取网络模型包括依次连接的光谱特征提取网络、特征调整层、空间特征提取网络和池化层；光谱特征提取网络包括依次连接的首层三维卷积层、光谱密集连接卷积子网络、末层三维卷积层、激活函数和归一化函数；空间特征提取网络包括依次连接的首层三维卷积子网络、激活函数、归一化函数、末层三维卷积子网络；其中，首层三维卷积子网络包括并联连接的两个三维卷积层；末层三维卷积子网络包括依次连接的两个三维卷积层；每个三维卷积层的末尾连接有激活函数和归一化函数。
进一步的，上述初始类别确定模块还用于：将图像特征进行降维处理，得到图像特征对应的一维数据；将一维数据进行加速处理，得到处理结果；将处理结果输入至全连接层，输出目标高光谱图像中每个像素点的初始类别的预测值；根据预测值确定像素点的初始类别。
进一步的，上述图像重建网络模型包括依次连接的第一特征调整层、首层三维逆卷积层、两个中间三维逆卷积层、第一逆密集连接卷积子网络、特征融合层、末层三维逆卷积层，第二特征调整层；其中，每个三维逆卷积层末尾连接有激活函数和归一化函数；首层三维逆卷积层和第一个中间三维逆卷积层的末尾分别连接有第二逆密集连接卷积子网络和第三逆密集连接卷积子网络；逆密集连接卷积子网络的末尾连接有三维逆卷积层、激活函数和归一化函数。
进一步的，上述重建损失值确定模块还用于：根据重建图像和目标高光谱图像中每个像素点的数据，利用范数计算重建图像中每个像素点的重建损失值。
进一步的，上述最终类别确定模块还用于：根据重建损失值，通过预先建立的重建损失值的概率模型，计算重建损失值大于预设损失阈值的概率值；如果概率值大于预设置信度，确定重建损失值对应的像素点的最终类别为未知类；如果概率值小于预设置信度，确定重建损失值对应的像素点的最终类别为该像素点初始类别。
进一步的，上述概率模型包括：
Figure BDA0003002469900000221
其中，Gξ,u(v)表示概率模型；v表示重建损失值；ξ表示形状参数；v表示比例参数。
本发明实施例提供的高光谱图像的分类装置，与上述实施例提供的高光谱图像的分类方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述高光谱图像的分类方法。
参见图9所示，该电子设备包括处理器100和存储器101，该存储器101存储有能够被处理器100执行的机器可执行指令，该处理器100执行机器可执行指令以实现上述高光谱图像的分类方法。
进一步地，图9所示的电子设备还包括总线102和通信接口103，处理器100、通信接口103和存储器101通过总线102连接。
其中，存储器101可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101，处理器100读取存储器101中的信息，结合其硬件完成前述实施例的方法的步骤。
本实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述高光谱图像的分类方法。
本发明实施例所提供的高光谱图像的分类方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种高光谱图像的分类方法，其特征在于，包括：
将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出所述目标高光谱图像的图像特征；
基于所述图像特征，确定所述目标高光谱图像中每个像素点的初始类别；
将所述图像特征输入至预先训练完成的图像重建网络模型中，输出所述图像特征的重建图像；
基于所述重建图像和所述目标高光谱图像，确定所述重建图像中每个像素点的重建损失值；
根据所述重建损失值和所述初始类别，确定所述像素点的最终类别。
2.根据权利要求1所述的方法，其特征在于，所述特征提取网络模型包括依次连接的光谱特征提取网络、特征调整层、空间特征提取网络和池化层；
所述光谱特征提取网络包括依次连接的首层三维卷积层、光谱密集连接卷积子网络、末层三维卷积层、激活函数和归一化函数；
所述空间特征提取网络包括依次连接的首层三维卷积子网络、激活函数、归一化函数、末层三维卷积子网络；其中，所述首层三维卷积子网络包括并联连接的两个三维卷积层；所述末层三维卷积子网络包括依次连接的两个三维卷积层；每个所述三维卷积层的末尾连接有激活函数和归一化函数。
3.根据权利要求1所述的方法，其特征在于，基于所述图像特征，确定所述目标高光谱图像中每个像素点的初始类别的步骤，包括：
将所述图像特征进行降维处理，得到所述图像特征对应的一维数据；将所述一维数据进行加速处理，得到处理结果；
将所述处理结果输入至全连接层，输出所述目标高光谱图像中每个像素点的初始类别的预测值；根据所述预测值确定所述像素点的初始类别。
4.根据权利要求1所述的方法，其特征在于，所述图像重建网络模型包括依次连接的第一特征调整层、首层三维逆卷积层、两个中间三维逆卷积层、第一逆密集连接卷积子网络、特征融合层、末层三维逆卷积层，第二特征调整层；
其中，每个所述三维逆卷积层末尾连接有激活函数和归一化函数；首层三维逆卷积层和第一个中间三维逆卷积层的末尾分别连接有第二逆密集连接卷积子网络和第三逆密集连接卷积子网络；所述逆密集连接卷积子网络的末尾连接有所述三维逆卷积层、激活函数和归一化函数。
5.根据权利要求1所述的方法，其特征在于，基于所述重建图像和所述目标高光谱图像，确定所述重建图像中每个像素点的重建损失值的步骤，包括：
根据所述重建图像和所述目标高光谱图像中每个像素点的数据，利用范数计算所述重建图像中每个像素点的重建损失值。
6.根据权利要求1所述的方法，其特征在于，根据所述重建损失值和所述初始类别，确定所述像素点的最终类别的步骤，包括：
根据所述重建损失值，通过预先建立的所述重建损失值的概率模型，计算所述重建损失值大于预设损失阈值的概率值；
如果所述概率值大于等于预设置信度，确定所述重建损失值对应的像素点的最终类别为未知类；
如果所述概率值小于预设置信度，确定所述重建损失值对应的像素点的最终类别为该像素点初始类别。
7.根据权利要求6所述的方法，其特征在于，所述概率模型包括：
Figure FDA0003002469890000031
其中，Gξ,u(v)表示所述概率模型；v表示所述重建损失值；ξ表示形状参数；v表示比例参数。
8.一种高光谱图像的分类装置，其特征在于，包括：
图像特征提取模块，用于将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出所述目标高光谱图像的图像特征；
初始类别确定模块，用于基于所述图像特征，确定所述目标高光谱图像中每个像素点的初始类别；
目标高光谱图像重建模块，用于将所述图像特征输入至预先训练完成的图像重建网络模型中，输出所述图像特征的重建图像；
重建损失值确定模块，用于基于所述重建图像和所述目标高光谱图像，确定所述重建图像中每个像素点的重建损失值；
最终类别确定模块，用于根据所述重建损失值和所述初始类别，确定所述像素点的最终类别。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1至7任一项所述的高光谱图像的分类方法。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1至7任一项所述的高光谱图像的分类方法。
CN202110353206.2A 2021-03-31 2021-03-31 高光谱图像的分类方法、装置和电子设备 Expired - Fee Related CN112949592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110353206.2A CN112949592B (zh) 2021-03-31 2021-03-31 高光谱图像的分类方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110353206.2A CN112949592B (zh) 2021-03-31 2021-03-31 高光谱图像的分类方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112949592A true CN112949592A (zh) 2021-06-11
CN112949592B CN112949592B (zh) 2022-07-22

Family

ID=76231923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110353206.2A Expired - Fee Related CN112949592B (zh) 2021-03-31 2021-03-31 高光谱图像的分类方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112949592B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399684A (zh) * 2022-03-24 2022-04-26 中国科学院西安光学精密机械研究所 一种基于双损失函数的高光谱图像开放性分类方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229515A (zh) * 2016-12-29 2018-06-29 北京市商汤科技开发有限公司 高光谱图像的对象分类方法和装置、电子设备
CN109767386A (zh) * 2018-12-22 2019-05-17 昆明理工大学 一种基于深度学习的快速图像超分辨率重建方法
CN109859110A (zh) * 2018-11-19 2019-06-07 华南理工大学 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法
CN110516596A (zh) * 2019-08-27 2019-11-29 西安电子科技大学 基于Octave卷积的空谱注意力高光谱图像分类方法
CN110751700A (zh) * 2019-10-17 2020-02-04 南昌大学 用于单像素成像的采样和重建集成深度学习网络及其训练方法
CN111179177A (zh) * 2019-12-31 2020-05-19 深圳市联合视觉创新科技有限公司 图像重建模型训练方法、图像重建方法、设备及介质
US20200202174A1 (en) * 2018-12-19 2020-06-25 Industrial Technology Research Institute Training method of image generator
CN111429349A (zh) * 2020-03-23 2020-07-17 西安电子科技大学 基于光谱约束对抗网络的高光谱图像超分辨率方法
CN111489290A (zh) * 2019-04-02 2020-08-04 同观科技（深圳）有限公司 一种人脸图像超分辨重建方法、装置及终端设备
CN111639587A (zh) * 2020-05-27 2020-09-08 西安电子科技大学 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN111695469A (zh) * 2020-06-01 2020-09-22 西安电子科技大学 轻量化深度可分离卷积特征融合网的高光谱图像分类方法
CN111695467A (zh) * 2020-06-01 2020-09-22 西安电子科技大学 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
WO2020199693A1 (zh) * 2019-03-29 2020-10-08 中国科学院深圳先进技术研究院 一种大姿态下的人脸识别方法、装置及设备
CN112308152A (zh) * 2020-11-03 2021-02-02 西安电子科技大学 基于光谱分割与同质区域检测的高光谱图像地物分类方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229515A (zh) * 2016-12-29 2018-06-29 北京市商汤科技开发有限公司 高光谱图像的对象分类方法和装置、电子设备
CN109859110A (zh) * 2018-11-19 2019-06-07 华南理工大学 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法
US20200202174A1 (en) * 2018-12-19 2020-06-25 Industrial Technology Research Institute Training method of image generator
CN109767386A (zh) * 2018-12-22 2019-05-17 昆明理工大学 一种基于深度学习的快速图像超分辨率重建方法
WO2020199693A1 (zh) * 2019-03-29 2020-10-08 中国科学院深圳先进技术研究院 一种大姿态下的人脸识别方法、装置及设备
CN111489290A (zh) * 2019-04-02 2020-08-04 同观科技（深圳）有限公司 一种人脸图像超分辨重建方法、装置及终端设备
CN110516596A (zh) * 2019-08-27 2019-11-29 西安电子科技大学 基于Octave卷积的空谱注意力高光谱图像分类方法
CN110751700A (zh) * 2019-10-17 2020-02-04 南昌大学 用于单像素成像的采样和重建集成深度学习网络及其训练方法
CN111179177A (zh) * 2019-12-31 2020-05-19 深圳市联合视觉创新科技有限公司 图像重建模型训练方法、图像重建方法、设备及介质
CN111429349A (zh) * 2020-03-23 2020-07-17 西安电子科技大学 基于光谱约束对抗网络的高光谱图像超分辨率方法
CN111639587A (zh) * 2020-05-27 2020-09-08 西安电子科技大学 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN111695469A (zh) * 2020-06-01 2020-09-22 西安电子科技大学 轻量化深度可分离卷积特征融合网的高光谱图像分类方法
CN111695467A (zh) * 2020-06-01 2020-09-22 西安电子科技大学 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
CN112308152A (zh) * 2020-11-03 2021-02-02 西安电子科技大学 基于光谱分割与同质区域检测的高光谱图像地物分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋海峰等: "基于Multi-CNN空间特征提取的高光谱遥感影像分类", 《测绘工程》 *
蒋伊琳: "基于深度学习的编码孔径光谱成像重构算法", 《吉林大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399684A (zh) * 2022-03-24 2022-04-26 中国科学院西安光学精密机械研究所 一种基于双损失函数的高光谱图像开放性分类方法

Also Published As

Publication number Publication date
CN112949592B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN110070067B (zh) 视频分类方法及其模型的训练方法、装置和电子设备
CN110084159B (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
Zhang et al. SOM: Semantic obviousness metric for image quality assessment
KR102449841B1 (ko) 타겟의 검측 방법 및 장치
CN109215034B (zh) 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法
CN110321830B (zh) 一种基于神经网络的中文字符串图片ocr识别方法
CN109598306B (zh) 基于srcm和卷积神经网络的高光谱图像分类方法
WO2020062360A1 (zh) 一种图像融合分类的方法及装置
CN110110596B (zh) 高光谱图像特征提取、分类模型构建及分类方法
CN111985543A (zh) 一种高光谱图像分类模型的构建方法、分类方法及系统
CN113066065B (zh) 无参考图像质量检测方法、系统、终端及介质
CN106157330B (zh) 一种基于目标联合外观模型的视觉跟踪方法
CN114140683A (zh) 一种航拍图像目标检测的方法、设备与介质
CN112200123B (zh) 联合稠密连接网络和样本分布的高光谱开放集分类方法
CN114170418B (zh) 一种以图搜图的汽车线束连接器多特征融合图像检索方法
Wei et al. Effects of lossy compression on remote sensing image classification based on convolutional sparse coding
CN114419406A (zh) 图像变化检测方法、训练方法、装置和计算机设备
CN112949592B (zh) 高光谱图像的分类方法、装置和电子设备
CN110874835A (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN116129280B (zh) 一种遥感影像雪检测的方法
CN117115675A (zh) 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质
CN114399684B (zh) 一种基于双损失函数的高光谱图像开放性分类方法
CN113469084B (zh) 基于对比生成对抗网络的高光谱图像分类方法
CN113160345B (zh) 一种基于ConvLSTM的时间序列影像重建方法
Sheikh et al. Noise tolerant classification of aerial images into manmade structures and natural-scene images based on statistical dispersion measures

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220722

CF01 Termination of patent right due to non-payment of annual fee