【技术实现步骤摘要】
基于高低阶信息融合的高光谱图像分类方法
本专利技术涉及图像处理
，具体涉及机器学习和高光谱图像分类
，更具体地，涉及一种基于高低阶信息融合的高光谱图像分类方法，其可用于高光谱图像的地物识别。
技术介绍
高光谱图像是利用成像光谱仪对某一区域以纳米级的光谱分辨率进行紫外光谱段到红外光谱段的连续成像。高光谱图像具有丰富的光谱信息，为地物识别创造了良好条件，高光谱图像分类在大气监测、海洋遥感、城市规划等方面具有广泛应用。近年来，基于深度学习的高光谱分类方法展示了巨大潜力。通过神经网络进行高光谱分类，大大提高了高光谱图像的分类精度。TongLi等人在论文“Classificationofhyperspectralimagebasedondeepbeliefnetworks”提出将图像用PCA降维后取像元块，然后拉成向量再与原始像元向量进行拼接，将拼接结果作为深度置信网(DBN)的输入，最后用逻辑回归(LR)分类器进行分类。该方法存在以下不足：无法利用DBN提取空间信息进行分类。北京航空航天大学在其专...
【技术保护点】
1.一种基于高低阶信息融合的高光谱图像分类方法，包括以下步骤：/n步骤1、对从高光谱图像提取的样本数据X＝{x
【技术特征摘要】 【专利技术属性】
1.一种基于高低阶信息融合的高光谱图像分类方法，包括以下步骤：
步骤1、对从高光谱图像提取的样本数据X＝{x1,x2,...,xn}进行编码，得到高阶语义特征其中，i＝1、2、……n，f函数为编码函数，n为样本数目，
同时，保存在编码过程中得到的低阶图像特征，
步骤2、对高阶语义特征和低阶图像特征进行融合，解码得到高光谱特征，
步骤3、基于所述高光谱特征，通过分类器生成所述高光谱图像的分类结果，
其中，所述步骤1至3是基于卷积神经网络实现的，所述样本数据作为训练集或测试集。
2.根据权利要求1所述的方法，其中，在步骤1之前还包括以下步骤：
步骤0-1、对所述高光谱图像数据进行数据预处理，包括数据清洗和数据归一化，
其中，数据归一化用于将所述高光谱图像数据统一映射至[0，1]区间，并利用曲线性方法使所述高光谱图像数据符合正态分布；
步骤0-2、利用固定窗口对步骤0-1得到的图像数据进行分割，将所有像元分割为窗口大小为w×w的图像块作为样本数据，如下：
X＝{x1,x2,...,xn}∈Rw×w×B，
其中，R表示图像块，B为所述高光谱图像的谱带数目。
3.根据权利要求1所述的方法，其中，在步骤1中，经过三层卷积池化操作，每层池化后保存细粒度低阶图像特征，共提取到三种程度的细粒度低阶图像特征{xi1,xi2,xi3}，之后，再经一层卷积网络得到所述高阶语义特征
技术研发人员：李忠伟，郭防铭，李琦，王雷全，任广波，许明明，张爱竹，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。