一种结合全局先验的深度学习高光谱图像显著性检测算法制造技术

本发明专利技术涉及高光谱图像显著性目标检测算法领域，公开了一种结合全局先验的深度学习高光谱图像显著性检测算法。首先根据高光谱图像获取相应的光谱梯度图，将光谱梯度图进行超像素分割，计算每个超像素的光谱角距离特征图，作为全局先验图。采用VGG16作为基本网络结构，将全局先验图和分割图像合并作为网络的输入，将VGG16最后一层全连接层输出的特征重新排序成二维图像，得到显著性结果图。通过对网络参数的训练得到最终的高光谱图像显著性目标检测模型。本发明专利技术可以充分挖掘图像中蕴含的高级语义信息，以提高模型的检测精度。

An algorithm of significance detection of hyperspectral image based on deep learning combined with global prior

【技术实现步骤摘要】
一种结合全局先验的深度学习高光谱图像显著性检测算法
本专利技术涉及高光谱图像显著性目标检测算法领域，尤其涉及一种结合全局先验的深度学习高光谱图像显著性检测算法。
技术介绍
显著性目标检测技术主要用来寻找图像中引起人类视觉认知系统兴趣的图像区域，是计算机视觉中各种任务的基础，例如图像裁剪、图像分类、目标识别等。而高光谱图像能够以纳米量级的分辨率记录场景物体中的反射光谱，使其广泛应用于食品工业，遥感，医疗保健等领域。在可见光谱中获得的高光谱图像包含可被人类视觉系统利用的信息，而这些信息不能通过普通图像很好地表达。因此利用高光谱图像解决显著性目标检测问题具有重要意义。目前，显著性目标检测方法大多数面向自然图像，在高光谱图像上应用较少。现有的方法多采用自底向上模型，以像元为基本单位，提取图像的强度，纹理，方向等低级视觉特征，计算中心-周围差异，得到像素显著性值。如文献“JieLiang,JunZhou,XiaoBai,andYuntaoQian,"Salientobjectdetectioninhyperspectralimagery,"inI本文档来自技高网...

【技术保护点】
1.一种结合全局先验的深度学习高光谱图像显著性检测算法，其特征在于，包括：/nS1：对高光谱图像进行数据扩充，增加训练样本数量；/nS2：计算高光谱图像的每个像元的光谱梯度，生成光谱梯度图像；/nS3：采用简单线性迭代聚类方法对光谱梯度图像进行超像素分割，生成超像素分割图；/nS4：计算每个超像素的光谱角距离，对每个超像素生成光谱角距离特征图；/nS5：将每个超像素的光谱角距离特征图分别与超像素分割图像合并输入卷积神经网络进行处理，生成最终显著性结果图。/n

【技术特征摘要】
1.一种结合全局先验的深度学习高光谱图像显著性检测算法，其特征在于，包括：
S1：对高光谱图像进行数据扩充，增加训练样本数量；
S2：计算高光谱图像的每个像元的光谱梯度，生成光谱梯度图像；
S3：采用简单线性迭代聚类方法对光谱梯度图像进行超像素分割，生成超像素分割图；
S4：计算每个超像素的光谱角距离，对每个超像素生成光谱角距离特征图；
S5：将每个超像素的光谱角距离特征图分别与超像素分割图像合并输入卷积神经网络进行处理，生成最终显著性结果图。


2.根据权利要求1所述的一种结合全局先验的深度学习高光谱图像显著性检测算法，其特征在于，所述S1中，采用镜像和旋转的方式对高光谱图像进行数据扩充。


3.根据权利要求1所述的一种结合全局先验的深度学习高光谱图像显著性检测算法，其特征在于，所述S2中，首先采用光谱梯度特征消除亮度不均匀对数据的影响，然后再对每个像元计算光谱梯度，生成光谱梯度图像。


4.根据权利要求1-3任一所述的一种结合全局先验的深度学习高光谱图像显著性检测算法，其特征在于，所述S3具体包括：
S31：设定超像素个数为K，在光谱梯度图像上地均匀初始化相同个数的聚类中心{Ck},k＝1,2,...K，相邻聚类中心的间隔为s；
S32：计算聚类中心3×3邻域中所有像素点的梯度值，将聚类中心移到该邻域内梯度...

【专利技术属性】
技术研发人员：许廷发，郝建华，徐畅，余越，黄晨，潘晨光，
申请(专利权)人：北京理工大学重庆创新中心，北京理工大学，
类型：发明
国别省市：重庆;50