CN113963198A - 一种高光谱图像分类方法、装置、存储介质及终端 - Google Patents
一种高光谱图像分类方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN113963198A CN113963198A CN202111175680.7A CN202111175680A CN113963198A CN 113963198 A CN113963198 A CN 113963198A CN 202111175680 A CN202111175680 A CN 202111175680A CN 113963198 A CN113963198 A CN 113963198A
- Authority
- CN
- China
- Prior art keywords
- superpixel
- pixel
- hyperspectral image
- training sample
- classifier
- 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.)
- Pending
Links
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种高光谱图像分类方法、装置、存储介质及终端,方法包括:获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;根据每个像素的最优超像素计算高光谱图像的分类特征;构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。由于本申请对图像中每个像素确定最优超像素,同时根据在第一训练样本集的基础上构造出第二训练样本集,从而减小了判断信息的丢失率,进而提升了高光谱图像的分类准确度。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种高光谱图像分类方法、装置、存储介质及终端。
背景技术
随着遥感图像获取技术的日益先进,获取的遥感图像尺寸越来越大,分辨力越来越高,带来的直接结果就是数据量的激增。基于像素级的图像处理方法,在处理大尺寸且高分辨力的遥感图像时,实时性会变差,难以满足许多实际工程中的要求。
在2003年,超像素的概念被提出来,有学者提出了一种把图像中相邻的同类像素进行分组的方法,把一幅图像分割成多个特征相似的像素块,并为这些像素块命名为超像素。超像素分割方法是依据图像的视觉特征相似性准则和空间距离约束,把图像中的相邻的同类像素聚集起来,生成局部特征相似的多个子区域。超像素既具有将图像的局部特征,又反映了图像的完整的结构信息,降低了图像数据冗余。根据超像素可以用来对数据降维提取特征,也降低了计算的复杂度。目前超像素分割已经成为是图像处理领域的重要的预处理手段。目前,超像素分割算法的研究已经取得了丰硕的成果,超像素分割的主要用于图像分类、目标检测、数据压缩等应用中。
然而,基于超像素的方法也存在以下缺陷:1)基于超像素提取的空间信息在同一个超像素内通常假设为相同的,该假设并不能很好地表示超像素内的一些边缘像素特征,大大降低了边缘像素的分类精度;2)尽管可以通过减小超像素尺寸,来增加每个超像素中同质像素的比例,但同时,随着超像素尺度的降低,也会丢掉许多判别信息。更合理的方法应满足:尽量在不丢失判别信息的前提下,能在空间邻域中包含更准确的且足够大尺度的同质区域。
发明内容
本申请实施例提供了一种高光谱图像分类方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种高光谱图像分类方法,方法包括:
获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;
根据每个像素的最优超像素计算高光谱图像的分类特征;
构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;
将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。
可选的,确定高光谱图像中每个像素的最优超像素,包括:
获取预先设定的多种超像素分割尺度;
基于多种超像素分割尺度对高光谱图像进行分割,生成多种超像素分割图像;
根据多种超像素分割图像确定高光谱图像中每个像素的最优超像素。
可选的,根据多种超像素分割图像确定高光谱图像中每个像素的最优超像素,包括:
从多种超像素分割图像中收集高光谱图像中每个像素点对应的超像素集;
计算高光谱图像中每个像素点和与其对应的超像素集中各超像素的距离和方差,生成高光谱图像中每个像素点的多个目标距离与多个目标方差;
基于多个目标距离与多个目标方差计算高光谱图像中每个像素点的多个超像素纯净度;
将每个像素点的多个超像素纯净度中最小超像素纯净度确定为高光谱图像中每个像素的最优超像素。
可选的,根据每个像素的最优超像素计算高光谱图像的分类特征,包括:
根据每个像素的最优超像素计算均值,得到均值光谱;
将均值光谱确定为高光谱图像的分类特征。
可选的,构造分类器训练样本,包括:
获取第一训练样本集合;
确定出第一训练样本中每个训练样本的最优超像素;
根据每个训练样本的最优超像素计算第二训练样本集合;
将第一训练样本集合与第二训练样本集合组合后,生成分类器训练样本。
可选的,根据每个训练样本的最优超像素计算第二训练样本集合,包括:
计算每个训练样本的最优超像素的聚类中心;
计算聚类中心与每个训练样本的最优超像素中所有像素的距离,生成多个目标距离;
根据多个目标距离的大小对每个训练样本的最优超像素中所有像素进行排序,生成排序后的超像素;
对排序后的超像素进行均匀分段,生成多组像素群;
根据多组像素群生成第二训练样本集合。
可选的,根据多组像素群生成第二训练样本集合,包括:
计算多组像素群中每组像素群的均值,生成多个新增训练样本;
将多个新增训练样本确定为第二训练样本集合。
第二方面,本申请实施例提供了一种高光谱图像分类装置,装置包括:
最优超像素生成模块,用于获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;
分类特征计算模块,用于根据每个像素的最优超像素计算高光谱图像的分类特征;
分类器训练模块,用于构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;
分类结果输出模块,用于将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,高光谱图像分类装置首先获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;根据每个像素的最优超像素计算高光谱图像的分类特征;构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。由于本申请对图像中每个像素确定最优超像素,同时根据在第一训练样本集的基础上构造出第二训练样本集,从而减小了判断信息的丢失率,进而提升了高光谱图像的分类准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种高光谱图像分类方法的流程示意图;
图2是本申请实施例提供的一种高光谱图像分类流程的流程示意框图;
图3是本申请实施例提供的一种分类结果对比示意图;
图4是本申请实施例提供的一种高光谱图像分类装置的结构示意图;
图5是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅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,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种高光谱图像分类方法、装置、存储介质及终端,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请对图像中每个像素确定最优超像素,同时根据在第一训练样本集的基础上构造出第二训练样本集,从而减小了判断信息的丢失率,进而提升了高光谱图像的分类准确度,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图3,对本申请实施例提供的高光谱图像分类方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的高光谱图像分类装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种高光谱图像分类方法的流程示意图。应用于图像采集设备,如图1所示,本申请实施例的方法可以包括以下步骤:
S101,获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;
其中,高光谱图像是可以充分反映样品内部的物理结构、化学成分的差异的图像,其光谱分辨率在10-2λ数量级范围内。也可以称之为一张待分类的遥感图像。
通常,在确定高光谱图像中每个像素的最优超像素时,首先密集地改变超像素的分割数目,对一幅待分类的遥感图像进行多个不同尺度的超像素分割。然后融合设定的评价指标,设计了一种最优超像素筛选方法,为图像中的每个像素筛选出最优超像素。
在一种可能的实现方式中,首先获取待分类的高光谱图像,再获取预先设定的多种超像素分割尺度,然后基于多种超像素分割尺度对高光谱图像进行分割,生成多种超像素分割图像,最后根据多种超像素分割图像确定高光谱图像中每个像素的最优超像素。
具体的,在根据多种超像素分割图像确定高光谱图像中每个像素的最优超像素时,首先从多种超像素分割图像中收集高光谱图像中每个像素点对应的超像素集,然后计算高光谱图像中每个像素点和与其对应的超像素集中各超像素的距离和方差,生成高光谱图像中每个像素点的多个目标距离与多个目标方差,其次基于多个目标距离与多个目标方差计算高光谱图像中每个像素点的多个超像素纯净度,最后将每个像素点的多个超像素纯净度中最小超像素纯净度确定为高光谱图像中每个像素的最优超像素。
例如,设HSI={X1,X2,…,XN}∈RB,是待分类的高光谱图像,包含N个像素点,每个像素点包含B个波段。首先密集改变图像的超像素分割数目(比如对Indian Pines数据集,超像素的数目从60,80,100,120,140,160,180等等),得到图像的不同的超像素分割图像,设共有K种不同的超像素分割尺度,则将得到K个超像素分割图像;图像中的每个像素点所在的超像素会随着分割尺度的不同也会不同。
以待分类的高光谱图像中每个像素点为当前研究对象,在K个超像素分割图像中依次收集包含每个像素点的所有超像素,构成超像素集SUPPIXS={suppixsk},k=1,2,…,K;其中每个超像素Nk是第k种超像素分割的像素数,计算包含当前像素点的所有超像素集的综合指数spp_CI。
具体的,设当前的像素点为Xo,Xkm是第k个超像素的均值。计算像素点与超像素的距离dk,以及超像素的方差vk,方差的大小与纯净度密切相关。另外,考虑超像素的像素个数,我们希望所选的超像素在保证纯净度的条件下,尽量的大,Nc是设的一个超像素的标准数。算法设计如公式(1)
式中,
α是像素点与超像素的距离dk的贡献权值,β是超像素的方差vk的贡献权值,γ用来限制过小超像素。α+β=1,Nc=100;γ,式中的α,β,γ通过实验来选择。最后把计算的超像素纯净度排序,选择最小的为每个像素点选择最优的超像素sup_opt,并记录下每个像素的超像素。
S102,根据每个像素的最优超像素计算高光谱图像的分类特征;
通常,在得到待分类的高光谱图像中每个像素的最优的超像素后,需要利用每个像素最优的超像素提取的特征作为该像素的分类特征。
在一种可能的实现方式中,在计算高光谱的分类特征时,首先根据每个像素的最优超像素计算均值,得到均值光谱,然后将均值光谱确定为高光谱图像的分类特征。
S103,构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;
其中,当训练样本不足时,我们希望扩充训练样本以更好的训练分类器,以往的算法提到用训练样本所在的超像素内的样本作为训练样本对分类器进行训练,然而,超像素的纯度直接影响了分类器的分精确度,因此,优选出来的超像素中包含的样本作为训练样本,对训练分类器更有意义。
通常,优选出来的超像素,如果全部用来作为训练样本会存在两个问题:首先,不同的训练样本所在的超像素的规模不同,会产生训练样本的不平衡问题;其次,不能保证超像素的绝对纯净,一旦有错误样本可能会对分类器产生负面影响。因此,我们在训练分类器时,对超像素采用了一种新的应用方法,既能全面利用超像素,又尽量避免样本的不平衡问题。
在本申请实施例中,在构造分类器训练样本时,首先获取第一训练样本集合,然后确定出第一训练样本中每个训练样本的最优超像素,再根据每个训练样本的最优超像素计算第二训练样本集合,最后将第一训练样本集合与第二训练样本集合组合后,生成分类器训练样本。
具体的,在根据每个训练样本的最优超像素计算第二训练样本集合时,首先计算每个训练样本的最优超像素的聚类中心,再计算聚类中心与每个训练样本的最优超像素中所有像素的距离,生成多个目标距离,然后根据多个目标距离的大小对每个训练样本的最优超像素中所有像素进行排序,生成排序后的超像素,再对排序后的超像素进行均匀分段,生成多组像素群,最后根据多组像素群生成第二训练样本集合。
具体的,在根据多组像素群生成第二训练样本集合时,首先计算多组像素群中每组像素群的均值,生成多个新增训练样本,然后将多个新增训练样本确定为第二训练样本集合。
在一种可能的实现方式中,首先优选出包含每个训练样本的超像素,再计算优选的超像素的聚类中心,并计算超像素内所有像素的均值,然后以均值像素为中心像素,再计算均值与超像素内所有像素的距离,其次根据距离的大小对超像素内的像素进行排序,再对排序后的超像素进行分段,分成几组的像素群,计算每一组的均值,作为新增训练样本,最后用扩增的训练样本来进行分类器训练。
需要说明的是,在训练分类器时,利用优选出的超像素生成新的扩增训练样本,既能全面利用超像素,又尽量避免样本的不平衡问题,进一步提升了高光谱图像的分类精确度。
S104,将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。
在一种可能的实现方式中,在得到分类特征以及预先训练的分类器后,可将分类特征输入预先训练的分类器进行处理后,输出高光谱图像的分类结果。
例如图2所示,图2是本申请提供的一种高光谱图像分类过程的过程示意框图,首先输入高光谱数据,再通过ERS超像素分割方法,密集地改变超像素的分割数目,对一幅图像进行多个不同尺度的超像素分割,然后为图像中的每个像素筛选出最优超像素,利用每个像素最优的超像素提取的特征作为该像素的分类特征,其次优选出包含每个训练样本的超像素;扩增出新的训练样本;用扩增的训练样本来进行分类器训练,最后利用训练好的分类器对提取特征的待测样本进行分类识别。
例如图3所示,图3是分类结果的数据图,把不同的单一尺度的超像素提取的特征与优选超像素提取的特征进行分类比较,得到的数据如表1和2所示。表中分别列出了三种评价指标,总体分类精确度(OA),平均分类精确度(AA)和Kppa系数,单位是%。表1和表2表明,两个数据集上,利用优选的超像素比利用任何单一尺度的超像素的分类精确度更高。
表3和表4是在两个数据集上的实验数据,表中的横向参数代表训练样本扩增的倍数。从表中实验数据可以看出,利用训练样本的最优超像素扩增训练样本可以进一步提升数据集的分类精确度。其中,表3是在Indian Pines数据集上得到的数据集,通过增强训练样本,在每类选择10个训练样本的条件下,IndianPines数据集的最高分类精确可以达到88%左右;表4是在PaviaU数据集上得到的数据集,通过增强训练样本,在每类选择10个训练样本的条件下,IndianPines数据集的最高分类精确可以达到86%左右。
在本申请实施例中,高光谱图像分类装置首先获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;根据每个像素的最优超像素计算高光谱图像的分类特征;构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。由于本申请对图像中每个像素确定最优超像素,同时根据在第一训练样本集的基础上构造出第二训练样本集,从而减小了判断信息的丢失率,进而提升了高光谱图像的分类准确度。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图4,其示出了本发明一个示例性实施例提供的高光谱图像分类装置的结构示意图。该高光谱图像分类装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括最优超像素生成模块10、分类特征计算模块20、分类器训练模块30、分类结果输出模块40。
最优超像素生成模块10,用于获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;
分类特征计算模块20,用于根据每个像素的最优超像素计算高光谱图像的分类特征;
分类器训练模块30,用于构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;
分类结果输出模块40,用于将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。
需要说明的是,上述实施例提供的高光谱图像分类装置在执行高光谱图像分类方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的高光谱图像分类装置与高光谱图像分类方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,高光谱图像分类装置首先获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;根据每个像素的最优超像素计算高光谱图像的分类特征;构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。由于本申请对图像中每个像素确定最优超像素,同时根据在第一训练样本集的基础上构造出第二训练样本集,从而减小了判断信息的丢失率,进而提升了高光谱图像的分类准确度。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的高光谱图像分类方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的高光谱图像分类方法。
请参见图5,为本申请实施例提供了一种终端的结构示意图。如图5所示,终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、高光谱图像分类器(Graphics ProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示,作为一种计算机存储介质的存储器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应用程序。
在图5所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的高光谱图像分类应用程序,并具体执行以下操作:
获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;
根据每个像素的最优超像素计算高光谱图像的分类特征;
构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;
将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。
在一个实施例中,处理器1001在执行确定高光谱图像中每个像素的最优超像素时,具体执行以下操作:
获取预先设定的多种超像素分割尺度;
基于多种超像素分割尺度对高光谱图像进行分割,生成多种超像素分割图像;
根据多种超像素分割图像确定高光谱图像中每个像素的最优超像素。
在一个实施例中,处理器1001在执行根据多种超像素分割图像确定高光谱图像中每个像素的最优超像素时,具体执行以下操作:
从多种超像素分割图像中收集高光谱图像中每个像素点对应的超像素集;
计算高光谱图像中每个像素点和与其对应的超像素集中各超像素的距离和方差,生成高光谱图像中每个像素点的多个目标距离与多个目标方差;
基于多个目标距离与多个目标方差计算高光谱图像中每个像素点的多个超像素纯净度;
将每个像素点的多个超像素纯净度中最小超像素纯净度确定为高光谱图像中每个像素的最优超像素。
在一个实施例中,处理器1001在执行根据每个像素的最优超像素计算高光谱图像的分类特征时,具体执行以下操作:
根据每个像素的最优超像素计算均值,得到均值光谱;
将均值光谱确定为高光谱图像的分类特征。
在一个实施例中,处理器1001在构造分类器训练样本时,具体执行以下操作:
获取第一训练样本集合;
确定出第一训练样本中每个训练样本的最优超像素;
根据每个训练样本的最优超像素计算第二训练样本集合;
将第一训练样本集合与第二训练样本集合组合后,生成分类器训练样本。
在一个实施例中,处理器1001在根据每个训练样本的最优超像素计算第二训练样本集合时,具体执行以下操作:
计算每个训练样本的最优超像素的聚类中心;
计算聚类中心与每个训练样本的最优超像素中所有像素的距离,生成多个目标距离;
根据多个目标距离的大小对每个训练样本的最优超像素中所有像素进行排序,生成排序后的超像素;
对排序后的超像素进行均匀分段,生成多组像素群;
根据多组像素群生成第二训练样本集合。
在一个实施例中,处理器1001在根据多组像素群生成第二训练样本集合时,具体执行以下操作:
计算多组像素群中每组像素群的均值,生成多个新增训练样本;
将多个新增训练样本确定为第二训练样本集合。
在本申请实施例中,高光谱图像分类装置首先获取待分类的高光谱图像,并确定高光谱图像中每个像素的最优超像素;根据每个像素的最优超像素计算高光谱图像的分类特征;构造分类器训练样本,并采用分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,分类器训练样本包括第一训练样本集合和第二训练样本集合;第二训练样本集合是基于第一训练样本集合生成的;将高光谱图像的分类特征输入预先训练的分类器中,输出高光谱图像的分类结果。由于本申请对图像中每个像素确定最优超像素,同时根据在第一训练样本集的基础上构造出第二训练样本集,从而减小了判断信息的丢失率,进而提升了高光谱图像的分类准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,高光谱图像分类的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
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:
获取待分类的高光谱图像,并确定所述高光谱图像中每个像素的最优超像素;
根据所述每个像素的最优超像素计算所述高光谱图像的分类特征;
构造分类器训练样本,并采用所述分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,所述分类器训练样本包括第一训练样本集合和第二训练样本集合;所述第二训练样本集合是基于所述第一训练样本集合生成的;
将所述高光谱图像的分类特征输入所述预先训练的分类器中,输出所述高光谱图像的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述确定所述高光谱图像中每个像素的最优超像素,包括:
获取预先设定的多种超像素分割尺度;
基于所述多种超像素分割尺度对所述高光谱图像进行分割,生成多种超像素分割图像;
根据所述多种超像素分割图像确定所述高光谱图像中每个像素的最优超像素。
3.根据权利要求2所述的方法,其特征在于,所述根据所述多种超像素分割图像确定所述高光谱图像中每个像素的最优超像素,包括:
从所述多种超像素分割图像中收集所述高光谱图像中每个像素点对应的超像素集;
计算所述高光谱图像中每个像素点和与其对应的所述超像素集中各超像素的距离和方差,生成高光谱图像中每个像素点的多个目标距离与多个目标方差;
基于所述多个目标距离与多个目标方差计算所述高光谱图像中每个像素点的多个超像素纯净度;
将所述每个像素点的多个超像素纯净度中最小超像素纯净度确定为所述高光谱图像中每个像素的最优超像素。
4.根据权利要求1所述的方法,其特征在于,所述根据所述每个像素的最优超像素计算所述高光谱图像的分类特征,包括:
根据所述每个像素的最优超像素计算均值,得到均值光谱;
将所述均值光谱确定为所述高光谱图像的分类特征。
5.根据权利要求1所述的方法,其特征在于,所述构造分类器训练样本,包括:
获取第一训练样本集合;
确定出所述第一训练样本中每个训练样本的最优超像素;
根据所述每个训练样本的最优超像素计算第二训练样本集合;
将所述第一训练样本集合与所述第二训练样本集合组合后,生成分类器训练样本。
6.根据权利要求5所述的方法,其特征在于,所述根据所述每个训练样本的最优超像素计算第二训练样本集合,包括:
计算所述每个训练样本的最优超像素的聚类中心;
计算所述聚类中心与所述每个训练样本的最优超像素中所有像素的距离,生成多个目标距离;
根据所述多个目标距离的大小对所述每个训练样本的最优超像素中所有像素进行排序,生成排序后的超像素;
对排序后的所述超像素进行均匀分段,生成多组像素群;
根据所述多组像素群生成第二训练样本集合。
7.根据权利要求7所述的方法,其特征在于,所述根据所述多组像素群生成第二训练样本集合,包括:
计算所述多组像素群中每组像素群的均值,生成多个新增训练样本;
将所述多个新增训练样本确定为第二训练样本集合。
8.一种高光谱图像分类装置,其特征在于,所述装置包括:
最优超像素生成模块,用于获取待分类的高光谱图像,并确定所述高光谱图像中每个像素的最优超像素;
分类特征计算模块,用于根据所述每个像素的最优超像素计算所述高光谱图像的分类特征;
分类器训练模块,用于构造分类器训练样本,并采用所述分类器训练样本对分类器进行训练后生成预先训练的分类器;其中,所述分类器训练样本包括第一训练样本集合和第二训练样本集合;所述第二训练样本集合是基于所述第一训练样本集合生成的;
分类结果输出模块,用于将所述高光谱图像的分类特征输入所述预先训练的分类器中,输出所述高光谱图像的分类结果。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175680.7A CN113963198A (zh) | 2021-10-09 | 2021-10-09 | 一种高光谱图像分类方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175680.7A CN113963198A (zh) | 2021-10-09 | 2021-10-09 | 一种高光谱图像分类方法、装置、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963198A true CN113963198A (zh) | 2022-01-21 |
Family
ID=79463249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175680.7A Pending CN113963198A (zh) | 2021-10-09 | 2021-10-09 | 一种高光谱图像分类方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024095647A1 (ja) * | 2022-10-31 | 2024-05-10 | キヤノン株式会社 | 画像処理装置及び方法、プログラム及び記憶媒体 |
-
2021
- 2021-10-09 CN CN202111175680.7A patent/CN113963198A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024095647A1 (ja) * | 2022-10-31 | 2024-05-10 | キヤノン株式会社 | 画像処理装置及び方法、プログラム及び記憶媒体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705583B (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
CN109472199B (zh) | 一种图像融合分类的方法及装置 | |
CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN110414538A (zh) | 缺陷分类方法、缺陷分类训练方法及其装置 | |
JP2002288658A (ja) | 領域分割された映像の領域特徴値整合に基づいた客体抽出装置およびその方法 | |
CN111666900B (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
CN112348765A (zh) | 数据增强方法、装置、计算机可读存储介质及终端设备 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN110796038A (zh) | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN108961230A (zh) | 结构表面裂缝特征的识别与提取方法 | |
CN111476319A (zh) | 商品推荐方法、装置、存储介质和计算设备 | |
CN112819753A (zh) | 一种建筑物变化检测方法、装置、智能终端及存储介质 | |
CN113963198A (zh) | 一种高光谱图像分类方法、装置、存储介质及终端 | |
CN116563649B (zh) | 基于张量映射网络的高光谱图像轻量化分类方法及装置 | |
Engstrom et al. | Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka | |
JP6546385B2 (ja) | 画像処理装置及びその制御方法、プログラム | |
CN106485686A (zh) | 一种基于万有引力的谱聚类图像分割算法 | |
CN113469019B (zh) | 一种景观图像特征值计算方法、装置、设备及存储介质 | |
CN111860153B (zh) | 尺度自适应的高光谱图像分类方法及系统 | |
CN113239815A (zh) | 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备 | |
Liu et al. | A multiscale superpixel-guided filter approach for VHR remote sensing image classification | |
CN116912918B (zh) | 一种人脸识别方法、装置、设备及计算机可读存储介质 | |
CN105139026B (zh) | 高光谱分类中光谱域空间域联合相关约束的特征抽取方法 |
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 |