一种高光谱处理方法及波段选择方法技术

本发明专利技术涉及一种高光谱处理方法及波段选择方法。使用第一训练数据集对高光谱分类模型进行训练，第一训练数据集为全波段高光谱训练数据集，将第一训练数据集中的每个训练样本输入训练完毕的所述高光谱分类模型，通过高光谱分类模型获取用于波段选择的第二训练数据集，将第二训练数据集输入波段选择模型进行训练，波段选择模型输出选择出的波段序号集合，根据选择出的波段序号集合从第一训练数据集中提取对应的波段，形成第三训练数据集，使用第三训练数据集对高光谱分类模型进行训练。该方法可以实现高光谱波段选择的目的，且这种方法选出的波段有利于与上述高光谱分类模型匹配，且最终得到的高光谱分类模型在应用时，精度又可以得到有效保证。

【技术实现步骤摘要】
一种高光谱处理方法及波段选择方法
本专利技术涉及高光谱处理领域，特别是涉及高光谱处理方法及波段选择方法。
技术介绍
高光谱成像是在光谱维度上将给定的波长区间分割为窄密的波段进行成像的光学检测技术，将每个窄波段获得的影像信息在光谱维度上进行展开，可以极大地提升信息量。相较于多光谱成像仅切分出若干宽波段用于光谱检测，高光谱成像产生的波段数量可以达到上百甚至上千，从而有更高的光谱分辨率去获得更特异的光谱细节，因此即使成本较高，在防御和监控、食品安全、医学诊断、地质勘探、农业检测、药物筛选等领域依然有着广泛的应用案例。高光谱数据叠加了空间维度和光谱维度的信息，在空间维度上取决于扫描模式，可以是二维图像（如采用高光谱快照模式对地表区域遥感成像并进行分类）或离散点（如采用高光谱推扫模式对奶粉样品进行光谱数据采集来检测化学添加物）。由于光谱维度上各窄波段反映的都是相同目标对象的光谱特性，彼此间不可避免地存在信息的重叠和冗余，因而需要确定波段间的相关性并尽可能地去冗余，以此实现降低光谱数据采集成本、改善采集效率等目的。这一问题在高光谱
内称为高光本文档来自技高网...

【技术保护点】
1.一种高光谱处理方法，其特征在于，包括：/n使用第一训练数据集对高光谱分类模型进行训练，所述第一训练数据集为全波段高光谱训练数据集，/n将第一训练数据集中的每个训练样本输入训练完毕的所述高光谱分类模型，通过所述高光谱分类模型获取用于波段选择的第二训练数据集，将第二训练数据集输入波段选择模型进行训练，所述波段选择模型输出选择出的波段序号集合，/n根据选择出的波段序号集合从第一训练数据集中提取对应的波段，形成第三训练数据集，/n使用第三训练数据集对所述高光谱分类模型进行训练。/n

【技术特征摘要】
1.一种高光谱处理方法，其特征在于，包括：
使用第一训练数据集对高光谱分类模型进行训练，所述第一训练数据集为全波段高光谱训练数据集，
将第一训练数据集中的每个训练样本输入训练完毕的所述高光谱分类模型，通过所述高光谱分类模型获取用于波段选择的第二训练数据集，将第二训练数据集输入波段选择模型进行训练，所述波段选择模型输出选择出的波段序号集合，
根据选择出的波段序号集合从第一训练数据集中提取对应的波段，形成第三训练数据集，
使用第三训练数据集对所述高光谱分类模型进行训练。


2.根据权利要求1所述的高光谱处理方法，其特征在于，所述全波段高光谱训练数据集为一维全波段高光谱训练数据集。


3.根据权利要求1或2所述的高光谱处理方法，其特征在于，所述高光谱分类模型包括挤压-激励的残差网络模块，所述挤压-激励的残差网络模块包括挤压-激励模块。


4.根据权利要求3所述的高光谱处理方法，其特征在于，
所述挤压-激励模块首先通过一个全局平均池化层计算每个特征通道的均值，然后通过两个1×1的卷积层将重要的特征通道进行增强，并将不重要的特征减弱，所述两个卷积层之间引入ReLU非线性函数，且，所述两个卷积层中，在第一个卷积层先进行了通道压缩，在第二个卷积层再恢复到原始通道数，最后，使用Sigmoid函数将各特征通道的重要性度量限定到[0,1]之间。


5.根据权利要求3所述的高光谱处理方法，其特征在于，
所述高光谱分类模型包括多个级联的挤压-激励的残差网络模块，所述多个级联的挤压-激励的残差网络模块形成挤压-激励的残差网络模块组。


6.根据权利要求5所述的高光谱处理方法，其特征在于，所述高光谱分类模型还包括：
所...

【专利技术属性】
技术研发人员：于伟敏，陈皓，樊宇，高诚宣，约翰纳斯·雅各布斯·格尔曼娜·玛丽亚·杜伊斯特，
申请(专利权)人：江苏集萃苏科思科技有限公司，
类型：发明
国别省市：江苏;32