CN113516025B - 一种基于模型构建的高光谱图像处理方法、设备及介质 - Google Patents

一种基于模型构建的高光谱图像处理方法、设备及介质 Download PDF

Info

Publication number
CN113516025B
CN113516025B CN202110452808.3A CN202110452808A CN113516025B CN 113516025 B CN113516025 B CN 113516025B CN 202110452808 A CN202110452808 A CN 202110452808A CN 113516025 B CN113516025 B CN 113516025B
Authority
CN
China
Prior art keywords
processing
wave band
model
hyperspectral image
determining
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.)
Active
Application number
CN202110452808.3A
Other languages
English (en)
Other versions
CN113516025A (zh
Inventor
张立人
宋志华
陈雪
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.)
Shandong Shenlan Zhipu Digital Technology Co ltd
Original Assignee
Shandong Shenlan Zhipu Digital Technology Co ltd
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 Shandong Shenlan Zhipu Digital Technology Co ltd filed Critical Shandong Shenlan Zhipu Digital Technology Co ltd
Priority to CN202110452808.3A priority Critical patent/CN113516025B/zh
Publication of CN113516025A publication Critical patent/CN113516025A/zh
Application granted granted Critical
Publication of CN113516025B publication Critical patent/CN113516025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种基于模型构建的高光谱图像处理方法、设备及介质，用以解决高光谱图像的信息量过大，导致采用模型处理时模型体量较大，计算量较大，耗时较长的问题。该方法采集高光谱图像，进行特征波段提取，得到训练样本集；根据偏最小二乘法和训练样本集，构建处理模型；在构建的过程中，根据对处理模型的累积预测误差平方和求导的结果，确定处理模型中的偏最小二乘因子的数量；采用处理模型，对待处理的高光谱图像进行处理。本方案通过提取高光谱图像的特征波段，并对模型进行优化，能够保证模型稳定性的基础上，提高模型的精准性。

Description

一种基于模型构建的高光谱图像处理方法、设备及介质
技术领域
本申请涉及图像处理领域，尤其涉及一种基于模型构建的高光谱图像处理方法、设备及介质。
背景技术
高光谱图像包括大量不同波段的光谱，与2D图像相比，高光谱图像能够承载大量的信息量。
目前，在对高光谱图像进行分类、识别、分析等处理时，可通过卷积神经网络模型，对高光谱图像的特征进行学习。但是，基于高光谱图像包含的巨大信息量和复杂性，导致模型的体量较大，计算量较大，耗时较长。
发明内容
本申请实施例提供一种基于模型构建的高光谱图像处理方法、设备及介质，用以解决高光谱图像的信息量过大，导致采用模型处理时模型体量较大，计算量较大，耗时较长的问题。
本申请实施例提供的一种基于模型构建的高光谱图像处理方法，包括：
采集高光谱图像，进行特征波段提取，得到训练样本集；
根据偏最小二乘法和所述训练样本集，构建处理模型；
在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；
采用所述处理模型，对待处理的高光谱图像进行处理。
在一个示例中，进行特征波段提取，得到训练样本集，具体包括：对所述高光谱图像的各波段进行层次聚类，得到若干簇；从所述若干簇中分别选择一个波段，组成相应的波段组合；采用遗传算法，对组成的所述波段组合进行最优解搜索，得到对应的最优解波段组合，作为特征波段；根据所述特征波段，确定训练样本集。
在一个示例中，得到对应的最优解波段组合之后，所述方法还包括：验证所述最优解波段组合符合以下条件，否则重新确定所述最优解波段组合：所述最优解波段组合中任意两个波段之间的相似性差异不大于预设差值；所述最优解波段组合中任意一个波段的峰度大于该波段所属簇对应的波段峰度的平均值。
在一个示例中，得到对应的最优解波段组合，作为特征波段之后，所述方法还包括：对所述高光谱图像进行相似性检验，确定相似性大于预设相似值的多个高光谱图像；从所述多个高光谱图像中选择一个高光谱图像作为标准图像，确定所述标准图像的特征波段；针对所述多个高光谱图像中的其他高光谱图像，根据该高光谱图像与所述标准图像之间的相似性，对所述标准图像的特征波段进行调整，确定该高光谱图像的特征波段。
在一个示例中，根据偏最小二乘法和所述训练样本集，构建处理模型，具体包括：根据所述训练样本集中特征波段的峰度，将所述特征波段划分为敏感波段和非敏感波段；根据偏最小二乘法和所述训练样本集，构建处理模型；通过所述处理模型，确定所述敏感波段对应的高频分量和增强系数，对训练样本进行增强处理。
在一个示例中，通过所述处理模型，确定所述敏感波段对应的高频分量和增强系数，对训练样本进行增强处理，具体包括：对所述敏感波段进行均值滤波处理，得到对应的低频分量和高频分量；根据所述敏感波段的灰度值平均值和标准差，通过训练好的神经网络模型，确定对应的增强系数；根据所述增强系数，对所述高频分量和所述训练样本进行加权处理，实现对所述训练样本的增强处理。
在一个示例中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量，具体包括：确定所述处理模型包含第一数量的偏最小二乘因子时对应的累积预测误差平方和，作为第一误差；确定所述处理模型包含第二数量的偏最小二乘因子时对应的累积预测误差平方和，作为第二误差；根据所述第一误差和第二误差之间的差值，确定所述差值与所述第二误差之间的比值；根据所述比值与预设比值之间的关系，确定所述处理模型采用所述第一数量还是第二数量的偏最小二乘因子。
在一个示例中，所述处理模型包含的映射关系为食品外观与含糖量之间的关系；对待处理的高光谱图像进行处理，具体包括：通过所述处理模型，确定待处理的高光谱图像对应的食品的含糖量；对所述食品的含糖量进行可视化展示。
本申请实施例提供的一种基于模型构建的高光谱图像处理设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采集高光谱图像，进行特征波段提取，得到训练样本集；
根据偏最小二乘法和所述训练样本集，构建处理模型；
在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；
采用所述处理模型，对待处理的高光谱图像进行处理。
本申请实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
采集高光谱图像，进行特征波段提取，得到训练样本集；
根据偏最小二乘法和所述训练样本集，构建处理模型；
在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；
采用所述处理模型，对待处理的高光谱图像进行处理。
本申请实施例提供一种基于模型构建的高光谱图像处理方法、设备及介质，至少包括以下有益效果：通过对高光谱图像进行特征波段提取，提取高光谱图像的关键信息，有利于模型对高光谱图像的关键信息的学习，同时能够减轻模型处理的工作量，提高模型处理效率。通过偏小二乘法建立处理模型，能够在样本数据量较小的情况下，明确变量之间的映射关系。同时，通过调整模型中采用的偏最小二乘因子的数量，实现对模型的优化，在保证模型稳定性的基础上，有利于提高模型的精准性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种基于模型构建的高光谱图像处理方法流程图；
图2为本申请实施例提供的一种基于模型构建的高光谱图像处理设备结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
图1为本申请实施例提供的一种基于模型构建的高光谱图像处理方法流程图，具体包括以下步骤：
S101：采集高光谱图像，进行特征波段提取，得到训练样本集。
在本申请实施例中，采集高光谱图像后，可对高光谱图像进行特征波段提取，以获得高光谱图像中的关键信息。将提取特征波段得到的高光谱图像作为训练样本，得到训练样本集。通过提取特征波段，能够凸显高光谱图像的特性，并减少模型需要处理的高光谱图像的数据量，提高处理速率。
具体地，提取特征波段的过程包括以下步骤：
第一，对高光谱图像的各波段进行层次聚类，得到若干簇。各簇分别表示高光谱图像的一种特征，簇内包含多个波段，同一簇内的波段表达的信息相似。通过对高光谱图像包含的波段进行聚类，可按照表达的特征，对高光谱图像对应的各波段进行划分整合，便于后续对特征波段的提取，实现对高光谱图像的降维处理。
第二，由于不同簇分别表达了高光谱图像的不同特征，则可从各簇中分别选取一个典型波段，用来代表该簇所表达的特征。在选取时，可从若干簇中分别选择一个波段，进行组合，得到相应的波段组合，该波段组合能够表达高光谱图像的所有特征。
在一种可能的实现方式中，可采用随机选取的方式，从各簇中任意选取一个波段进行组合。在另一种可能的实现方式中，可根据波段对应的信息量，从各簇中选取对应信息量最大的波段，作为该簇中的典型波段，得到波段组合。其中，波段的信息量可通过波段的峰度确定，波段的峰度与信息量成正相关关系。或者也可采用其他能够更好地表达高光谱图像的特征的选取方式，本申请对此不做限定。
具体地，一种可能的计算波段的峰度的公式如下：
Figure 756832DEST_PATH_IMAGE001
其中，K表示峰度，E表示平均期望，bi表示波段。
第三，当第二步中选取得到多个波段组合后，可采用遗传算法，对多个波段组合进行最优解搜索，根据搜索结果得到对应的最优解波段组合，即可将该最优解波段组合作为高光谱图像的特征波段，该特征波段为多个波段组合中最能够表达高光谱图像的特征的波段组合。根据高光谱图像的特征波段，可确定训练样本集，用于进行模型训练。通过遗传算法进行寻优，可从多个波段组合中，确定最能够表达高光谱图像的特征的波段组合，以确保提取得到的特征波段的有效性，有利于提高模型训练的准确性。
进一步地，在确定出最优解波段组合后，可根据预设的验证条件，验证确定出的最优解波段组合是否符合预设条件。若符合，表示最优解波段组合能够准确表达高光谱图像的特征，若不符合，表示最优解波段组合不能准确反映高光谱图像的特征，需重新确定最优解波段组合。
由于高光谱图像中存在噪声，且噪声波段与其他波段之间的差异性往往较大，并且，在聚类的过程中可能存在将噪声波段聚集为一个簇的情况。因此，验证条件包括：最优解波段组合中任意两个波段之间的相似性差异不大于预设差值。若两个波段之间的相似性差异大于预设差值，表示很可能存在噪声波段，则该波段组合实际上无法准确反映高光谱图像的特征。
由于不同波段包含不同信息量，而信息量能在一定程度上反映波段对特征的表达程度，因此，最优解波段组合中的波段的信息量应当满足一定量，则验证条件还可包括：最优解波段组合中任意一个波段的峰度大于该波段所属簇对应的波段峰度的平均值。通过限制最优解波段组合中波段峰度的底线，确保被选择的波段足够对高光谱图像的特征进行表达，可保障最优解波段组合的有效性。
进一步地，若多次进行确定后得到的最优解波段组合仍然不满足预设条件，可能在聚类的过程中存在噪声波段单独成簇的情况，则可对高光谱图像重新进行聚类。
在一个实施例中，在提取高光谱图像的特征波段的过程中，可对高光谱图像进行相似性检验，确定相似性大于预设相似值的多个高光谱图像。高光谱图像的相似性大于预设相似值，表示高光谱图像包含的信息、特征近似。则为了节省特征波段提取的工作量，可从多个相似的高光谱图像中选择一个高光谱图像作为标准图像，确定标准图像的特征波段。之后，针对这些相似高光谱图像中除标准图像之外的其他高光谱图像，可根据该高光谱图像与标准图像之间的相似性，对标准图像的特征波段进行调整，直接作为该其他高光谱图像的特征波段，而无需单独提取该其他高光谱图像的特征波段。这样能够节省特征波段提取的工作量，降低组建训练样本集的时间成本。
进一步地，在选取标准图像时，可根据高光谱图像之间的相似性，确定其对应的高光谱图像之间的差异性。从相似的多个高光谱图像中，可确定与其他高光谱图像之间的差异性之和的标准平方差最小的高光谱图像，作为标准图像。该标准图像与其他高光谱图像之间的差异较小，则其他高光谱图像在根据该标准图像的特征波段进行调整时，需要调整的部分也较少，有利于减少额外的工作量。
S102：根据偏最小二乘法和训练样本集，构建处理模型。
在本申请实施例中，可采用偏最小二乘法构建处理模型，并利用建立的训练样本集，对处理模型进行训练。偏最小二乘法集多元线性回归、主成分分析和典型相关分析于一体，可同时对多个因变量进行建模，能够消除由于样本数远小于自变量数而引起的多重共线性。
进一步地，根据训练样本集中特征波段的峰度，可将特征波段划分为敏感波段和非敏感波段。敏感波段表示表达高光谱图像的特征较强的波段，其变化对高光谱图像的处理影响较大。非敏感波段表示表达高光谱图像的特征较弱的波段，其变化对高光谱图像的处理影响较小。根据偏最小二乘法构建处理模型后，可通过处理模型，确定敏感波段对应的高频分量和增强系数，对训练样本进行增强处理。通过对训练样本进行特征增强处理，使模型在训练过程中能够更好地学习敏感波段的特征，有利于提高模型训练的精度和准确性。
其中，在确定训练样本的敏感波段时，可将波段峰度大于预设值的波段作为敏感波段，或者将在训练样本集中的出现频率大于预设值的波段作为敏感波段。
更进一步地，在对训练样本进行增强时，可对敏感波段进行均值滤波处理，得到对应的低频分量，将训练样本除去低频分量后可得到对应的高频分量。根据敏感波段的灰度值平均值和标准差，通过训练好的神经网络模型，可确定对应的增强系数。根据增强系数，对高频分量和训练样本进行加权处理，实现对训练样本的增强处理。其中，神经网络模型的输入为敏感波段的灰度值平均值和标准差，输出为对应的增强系数，可以是BP神经网络模型。
一种实现加权处理的公式为：
Figure 522575DEST_PATH_IMAGE002
，其中，m1、m2表示增强系数，f表示增强处理后的训练样本，f0表示原始训练样本，f1表示高频分量。增强系数可通过灰度值平均值和标准差确定，灰度值平均值通过
Figure 36733DEST_PATH_IMAGE003
确定，标准差通过
Figure 900784DEST_PATH_IMAGE004
确定，其中，m表示灰度值平均值，
Figure 574211DEST_PATH_IMAGE005
表示标准差，ai表示训练样本的第i级灰度，
Figure 131094DEST_PATH_IMAGE006
表示灰度级ai的归一化直方图分量。
S103：在构建模型的过程中，根据对处理模型的累积预测误差平方和求导的结果，确定处理模型中的偏最小二乘因子的数量。
在本申请实施例中，处理模型中的偏最小二乘因子不是越多越好，过多的偏最小二乘因子反而会导致模型的精度和准确性。因此，在构建模型的过程中，可根据对处理模型的累积预测误差平方和求导的结果，确定处理模型中的偏最小二乘因子的数量。
具体地，确定处理模型包含第一数量的偏最小二乘因子时对应的累积预测误差平方和，作为第一误差；确定处理模型包含第二数量的偏最小二乘因子时对应的累积预测误差平方和，作为第二误差；根据第一误差和第二误差之间的差值，确定该差值与第二误差之间的比值。根据该比值与预设比值之间的关系，确定处理模型采用第一数量还是第二数量的偏最小二乘因子。通过这种方式，能够对参与建模贡献较小的偏最小二乘因子进行筛除，在保证模型的稳定性的情况下，提高模型的精确性。
一种可能的实现该数量计算的公式为：
Figure 866969DEST_PATH_IMAGE007
，其中，pi表示选择i个偏最小二乘因子建模时对应的累积预测误差平方和，pi-1表示选择i-1个偏最小二乘因子建模时对应的累积预测误差平方和，p表示求导结果。根据预设比值θ，若p<θ，表示选择i个偏最小二乘因子建模的误差更优，则确定选择i个偏最小二乘因子建模，若p>θ，表示选择i个偏最小二乘因子建模的误差达不到预期，不满足更优，则确定选择i-1个偏最小二乘因子建模。其中，θ的取值范围为[-5，-4]。
S104：采用处理模型，对待处理的高光谱图像进行处理。
在本申请实施例中，通过偏最小二乘因子筛除的方式，可实现对处理模型的优化，可通过优化后的处理模型，对高光谱图像进行分类、识别、分析等处理。
在一种应用场景中，处理模型包含的映射关系为食品外观与含糖量之间的关系，训练样本的输入为食品的高光谱图像，输出为该食品的含糖量。则可通过处理模型，对待处理的高光谱图像进行识别，确定对应的食品的含糖量，并对识别出的食品的含糖量进行可视化展示。
在本申请实施例中，通过对高光谱图像进行特征波段提取，提取高光谱图像的关键信息，有利于模型对高光谱图像的关键信息的学习，同时能够减轻模型处理的工作量，提高模型处理效率。通过偏小二乘法建立处理模型，能够在样本数据量较小的情况下，明确变量之间的映射关系。同时，通过调整模型中采用的偏最小二乘因子的数量，实现对模型的优化，在保证模型稳定性的基础上，有利于提高模型的精准性。
基于同样的思路，本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图2为本申请实施例提供的对应于图1的一种基于模型构建的高光谱图像处理设备结构示意图，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采集高光谱图像，进行特征波段提取，得到训练样本集；
根据偏最小二乘法和所述训练样本集，构建处理模型；
在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；
采用所述处理模型，对待处理的高光谱图像进行处理。
本申请的一些实施例提供的对应于图1的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
采集高光谱图像，进行特征波段提取，得到训练样本集；
根据偏最小二乘法和所述训练样本集，构建处理模型；
在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；
采用所述处理模型，对待处理的高光谱图像进行处理。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备、介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种基于模型构建的高光谱图像处理方法，其特征在于，包括：
采集高光谱图像，进行特征波段提取，得到训练样本集，具体包括：
对所述高光谱图像的各波段进行层次聚类，得到若干簇；
从所述若干簇中分别选择一个波段，组成相应的波段组合；其中，选择方法为：根据所述各波段对应的信息量在所述若干簇中选取对应信息量最大的波段；所述信息量通过波段的峰度确定，波段的峰度与信息量成正相关关系；
采用遗传算法，对组成的所述波段组合进行最优解搜索，得到对应的最优解波段组合，作为特征波段；
验证所述最优解波段组合符合以下条件，否则重新确定所述最优解波段组合：
所述最优解波段组合中任意两个波段之间的相似性差异不大于预设差值；所述最优解波段组合中任意一个波段的峰度大于该波段所属簇对应的波段峰度的平均值；
对所述高光谱图像进行相似性检验，确定相似性大于预设相似值的多个高光谱图像；
从所述多个高光谱图像中，确定与其他高光谱图像之间的差异性之和的标准平方差最小的高光谱图像作为标准图像，确定所述标准图像的特征波段；
针对所述多个高光谱图像中的其他高光谱图像，根据该高光谱图像与所述标准图像之间的相似性，对所述标准图像的特征波段进行调整，确定该高光谱图像的特征波段；
根据所述特征波段，确定训练样本集；
根据偏最小二乘法和所述训练样本集，构建处理模型；
在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；
采用所述处理模型，对待处理的高光谱图像进行处理。
2.根据权利要求1所述的方法，其特征在于，根据偏最小二乘法和所述训练样本集，构建处理模型，具体包括：
根据所述训练样本集中特征波段的峰度，将所述特征波段划分为敏感波段和非敏感波段；
根据偏最小二乘法和所述训练样本集，构建处理模型；
通过所述处理模型，确定所述敏感波段对应的高频分量和增强系数，对训练样本进行增强处理。
3.根据权利要求2所述的方法，其特征在于，通过所述处理模型，确定所述敏感波段对应的高频分量和增强系数，对训练样本进行增强处理，具体包括：
对所述敏感波段进行均值滤波处理，得到对应的低频分量和高频分量；
根据所述敏感波段的灰度值平均值和标准差，通过训练好的神经网络模型，确定对应的增强系数；
根据所述增强系数，对所述高频分量和所述训练样本进行加权处理，实现对所述训练样本的增强处理。
4.根据权利要求1所述的方法，其特征在于，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量，具体包括：
确定所述处理模型包含第一数量的偏最小二乘因子时对应的累积预测误差平方和，作为第一误差；
确定所述处理模型包含第二数量的偏最小二乘因子时对应的累积预测误差平方和，作为第二误差；
根据所述第一误差和第二误差之间的差值，确定所述差值与所述第二误差之间的比值；
根据所述比值与预设比值之间的关系，确定所述处理模型采用所述第一数量还是第二数量的偏最小二乘因子。
5.根据权利要求1所述的方法，其特征在于，所述处理模型包含的映射关系为食品外观与含糖量之间的关系；
对待处理的高光谱图像进行处理，具体包括：
通过所述处理模型，确定待处理的高光谱图像对应的食品的含糖量；
对所述食品的含糖量进行可视化展示。
6.一种基于模型构建的高光谱图像处理设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采集高光谱图像，进行特征波段提取，得到训练样本集；
根据偏最小二乘法和所述训练样本集，构建处理模型；
在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；
采用所述处理模型，对待处理的高光谱图像进行处理。
7.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
采集高光谱图像，进行特征波段提取，得到训练样本集；
根据偏最小二乘法和所述训练样本集，构建处理模型；
在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；
采用所述处理模型，对待处理的高光谱图像进行处理。
CN202110452808.3A 2021-04-26 2021-04-26 一种基于模型构建的高光谱图像处理方法、设备及介质 Active CN113516025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110452808.3A CN113516025B (zh) 2021-04-26 2021-04-26 一种基于模型构建的高光谱图像处理方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110452808.3A CN113516025B (zh) 2021-04-26 2021-04-26 一种基于模型构建的高光谱图像处理方法、设备及介质

Publications (2)

Publication Number Publication Date
CN113516025A CN113516025A (zh) 2021-10-19
CN113516025B true CN113516025B (zh) 2022-03-08

Family

ID=78063510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110452808.3A Active CN113516025B (zh) 2021-04-26 2021-04-26 一种基于模型构建的高光谱图像处理方法、设备及介质

Country Status (1)

Country Link
CN (1) CN113516025B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188946B (zh) * 2023-04-24 2023-07-11 简阳市人民医院 一种基于神经网络的血糖浓度预测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446582A (zh) * 2018-01-25 2018-08-24 西安电子科技大学 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法
CN110298396A (zh) * 2019-06-25 2019-10-01 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法
CN110779875A (zh) * 2019-11-01 2020-02-11 北华航天工业学院 一种基于高光谱技术检测冬小麦麦穗水分含量的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI1006077B8 (pt) * 2009-01-10 2023-02-28 Goldfinch Solutions Llc Sistema para analisar uma ou mais propriedades de carne

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446582A (zh) * 2018-01-25 2018-08-24 西安电子科技大学 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法
CN110298396A (zh) * 2019-06-25 2019-10-01 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法
CN110779875A (zh) * 2019-11-01 2020-02-11 北华航天工业学院 一种基于高光谱技术检测冬小麦麦穗水分含量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于高光谱技术的果糖检测优化算法和可视化方法;管晓梅等;《光电子•激光》;20180228;第29卷(第2期);第173-180页 *
管晓梅等.基于高光谱技术的果糖检测优化算法和可视化方法.《光电子•激光》.2018,第29卷(第2期),第173-180页. *

Also Published As

Publication number Publication date
CN113516025A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN110728224B (zh) 一种基于注意力机制深度Contourlet网络的遥感图像分类方法
WO2017143919A1 (zh) 一种建立数据识别模型的方法及装置
CN111914090B (zh) 一种企业行业分类识别及其特征污染物识别的方法及装置
CN110782413B (zh) 一种图像处理方法、装置、设备及存储介质
CN108960269B (zh) 数据集的特征获取方法、装置及计算设备
CN104680541B (zh) 基于相位一致性的遥感图像质量评价方法
CN110689368B (zh) 一种移动应用内广告点击率预测系统设计方法
CN112819821B (zh) 一种细胞核图像检测方法
CN111898675B (zh) 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备
CN112686218A (zh) 文本检测模型的训练方法、装置、可读存储介质及设备
CN113516025B (zh) 一种基于模型构建的高光谱图像处理方法、设备及介质
CN111709775A (zh) 一种房产价格评估方法、装置、电子设备及存储介质
CN111275338A (zh) 一种企业欺诈行为的判定方法、装置、设备及存储介质
WO2019218482A1 (zh) 基于大数据的人群筛选方法、装置、终端设备及可读存储介质
CN111666872B (zh) 一种数据不平衡下的高效行为识别方法
CN110852322B (zh) 感兴趣区域的确定方法及装置
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN116883153A (zh) 一种基于人行征信的汽车金融预授信评分卡开发方法及终端
CN108776958B (zh) 混合降质图像的图像质量评价方法和装置
CN114240929A (zh) 一种色差检测方法及装置
CN114743048A (zh) 检测异常秸秆图片的方法和检测装置
CN113313582A (zh) 拒客回捞模型训练方法、装置及电子设备
JP2021124949A (ja) 機械学習モデル圧縮システム、プルーニング方法及びプログラム
CN116051482B (zh) 一种基于多任务渐进学习的无参考图像质量评价方法
CN104200383A (zh) 一种基于多元回归分析在税务决策上的应用

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Model Based Hyperspectral Image Processing Method, Equipment, and Medium

Effective date of registration: 20230519

Granted publication date: 20220308

Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch

Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd.

Registration number: Y2023980041054

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20220308

Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch

Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd.

Registration number: Y2023980041054

PC01 Cancellation of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A model-based hyperspectral image processing method, equipment, and medium

Granted publication date: 20220308

Pledgee: Huaxia Bank Co.,Ltd. Jinan Branch

Pledgor: Shandong Shenlan Zhipu Digital Technology Co.,Ltd.

Registration number: Y2024980008356

PE01 Entry into force of the registration of the contract for pledge of patent right