一种采用编码智能学习框架的高光谱成像分类方法技术

本发明专利技术提供一种采用编码智能学习框架的高光谱成像分类方法，将压缩高光谱成像(CHSI)系统硬件参数、机器学习模型和滤波器模型的软件参数等视为编码智能学习框架的可调参数集合，使用已有的高光谱图像及其对应的分类标记作为样本数据，对可调参数集合中的全部参数或部分参数进行协同训练与优化，能够实现对硬件系统和软件模型中的参数进行联合训练与优化，有效提高了优化自由度与编码智能学习框架的预测性能，提高压缩光谱成像分类的准确性和稳定性；也就是说，本发明专利技术直接根据CHSI系统的压缩测量值计算光谱成像的分类结果，无需进行目标场景的完整三维光谱数据立方体的重构，有效提高了计算效率，同时避免了光谱数据重构误差对分类结果的影响。

【技术实现步骤摘要】
一种采用编码智能学习框架的高光谱成像分类方法
本专利技术属于图像分类、目标识别、机器学习、深度学习和计算成像领域，尤其涉及一种采用编码智能学习框架的高光谱成像分类方法。
技术介绍
高光谱成像技术可以采用数百甚至上千个观测波长通道，在从紫外到红外的宽波段范围内，对目标场景或物体进行成像，同时获得物体的空间光强分布信息和光谱信息，在保证空间分辨率的同时，还可以提供高分辨的光谱指纹信息。高光谱成像技术已被广泛应用于诸多领域，如空间遥感、精准农业、地球科学、水文学、生物医学等。高光谱成像分类(HyperspectralImagingClassification,简称HIC)技术在这些应用中起到了至关重要的作用。传统HIC方法通过频域和空域遍历推扫的方式获取场景的三维光谱数据立方体，数据获取时间长，同时后续的数据存储、传输和处理也将耗费高昂的计算代价和资源。为解决上述问题，研究人员将编码孔径、色散或分光元件引入高光谱成像系统，基于压缩感知(CompressiveSensing，简称CS)理论，提出了压缩高光谱成像(CompressiveHyperspectralImaging,简称CHSI)技术。该技术通过编码孔径、色散元件或分光元件调制光场的强度、相位等信息，再将经过调制的三维数据立方体投影至二维探测器，形成压缩测量，从而将图像采集与压缩过程合二为一。压缩测量值中含有场景的原始光谱图像信息，因此可以用来重构三维数据立方体，或者直接采用压缩测量值进行高光谱图像的像素级分类或非像素级分类。近期，研究人员提出了监督式压缩HIC技术，采用编码孔径快照式光谱成像(CodedApertureSnapshotSpectralImaging，简称CASSI)系统获取二维投影数据，构造和训练过完备的稀疏字典，将每个空间像素的光谱曲线近似表征为若干稀疏字典元素的线性组合。对于任意一个空间像素，可以通过算法重构其对应光谱曲线的稀疏系数，并依据稀疏系数对空间像素进行分类。然而该方法对稀疏系数的重构过程同样会引入较高的计算复杂度，影响了计算速度。为了提升压缩HIC性能，研究人员提出了基于CS理论的编码孔径优化方法，以及稀疏字典优化方法，和不同的稀疏分类器。虽然基于有限等距条件的编码孔径优化能够提高光谱数据的重构性能，但这不等同于能够提升分类性能。同时，现有方法忽略了图像数据采集与数据分类处理两个阶段之间的协同优化与设计，因此限制了分类精度的进一步提升。综上所述，现有的压缩高光谱成像分类技术在运算速度、计算精度、系统软硬件协同设计等方面均具有改善和提高的空间。
技术实现思路
为解决上述问题，本专利技术提供一种采用编码智能学习框架的高光谱成像分类方法，能够有效提高编码智能学习框架的预测性能，并提高压缩光谱成像分类的计算效率、准确性和稳定性。一种采用编码智能学习框架的高光谱成像分类方法，包括以下步骤：S1：获取一个或多个已知场景的高光谱图像数据立方体，组成离散型高光谱三维数据集合其中，为各高光谱图像数据立方体对应的离散型高光谱三维数据，W为高光谱图像数据立方体的个数；同时，获取每一个离散型高光谱三维数据对应的分类标记真值向量Si，其中，i＝1,...W，且分类标记真值向量Si中的各元素表示离散型高光谱三维数据所属类别的真值，并将S1～SW组成离散型高光谱三维数据集合所对应的分类标记真值向量的集合设定未经优化设计的CHSI系统模型、人工智能学习模型以及滤波器模型，并将所述未经优化设计的CHSI系统模型、人工智能学习模型以及滤波器模型分别作为当前的CHSI系统模型、人工智能学习模型以及滤波器模型；S2：采用当前的CHSI系统模型获取中所有离散型高光谱三维数据的压缩测量数据Y1～YW，得到压缩测量数据集合Y＝{Y1,...,YW}；S3：将Y输入当前的人工智能学习模型与滤波器模型构成的级联模型，得到所对应的分类标记预测向量的集合其中，集合中每一个分类标记预测向量中的各元素表示离散型高光谱三维数据所属类别的预测值；S4：根据集合和集合构造损失函数判断集合和集合之间的损失函数值是否满足设定要求，若满足，则当前的CHSI系统模型、人工智能学习模型以及滤波器模型共同构成最终的高光谱成像分类模型，若不满足，则进入步骤S5；S5：按照设定规则更新CHSI系统模型的硬件参数、人工智能学习模型与滤波器模型的软件参数，将更新后的CHSI系统模型、人工智能学习模型以及滤波器模型分别作为当前的CHSI系统模型、人工智能学习模型以及滤波器模型重新执行步骤S2～S4，更新集合直到集合和集合之间的损失函数值满足设定要求；S6：采用最终的高光谱成像分类模型实现对目标场景对应的离散型高光谱三维数据的分类。进一步地，若对离散型高光谱三维数据的分类为图像级分类，则所述分类标记真值向量Si和分类标记预测向量均仅包含一个元素，且分类标记真值向量Si中的元素表征离散型高光谱三维数据对应的高光谱图像的所属类别的真值，分类标记预测向量中的元素表征离散型高光谱三维数据对应的高光谱图像的所属类别的预测值；若对离散型高光谱三维数据的分类为亚图像级分类，则所述分类标记真值向量Si和分类标记预测向量均包含多个元素，且每一个元素分别对应一个由离散型高光谱三维数据在空间纬度上划分而成的子区域内的高光谱三维数据，同时，分类标记真值向量Si中的每一个元素表征各自对应的子区域内的高光谱三维数据的所属类别的真值，分类标记预测向量中的每一个元素表征各自对应的子区域内的高光谱三维数据的所属类别的预测值；若对离散型高光谱三维数据的分类为像素级分类，则所述分类标记真值向量Si和分类标记预测向量包含的元素个数均与各离散型高光谱三维数据包含的空间像素点的个数相同，且各元素分别对应一个空间像素点，同时，分类标记真值向量Si中的每一个元素表征各自对应的空间像素点的所属类别的真值，分类标记预测向量中的每一个元素表征各自对应的空间像素点的所属类别的预测值。进一步地，所述CHSI系统模型的硬件参数包括编码孔径、色散元件的色散率以及分光元件的中心波长。进一步地，若所述编码孔径的图案为周期性的图案，则编码孔径的更新规则为：选取编码孔径中任意一个周期的图案作为模板图案；将模板图案上的各像素分别作为优化变量，获取损失函数对于各优化变量的梯度值，得到模板图案对应的梯度值矩阵；将模板图案当前的像素值一一对应地减去梯度值矩阵中各相应位置的梯度值和设定步长的乘积，完成模板图案的更新；将其他周期的图案的像素值分别替换为模板图案更新后的对应位置的像素值，完成编码孔径的更新。进一步地，若所述编码孔径的图案为周期性的图案，则编码孔径的更新规则为：将编码孔径上的各像素分别作为优化变量，获取损失函数对于各优化变量的梯度值，得到编码孔径对应的梯度值矩阵；按照图案的周期性对梯度值矩阵进行划分，得到各周期的图案对应的梯度值子矩阵；将所有梯度值子矩阵的各个元素一一对应起来，并在每一个元素位置，叠加各梯度值子矩阵对应于该元素位本文档来自技高网...

【技术保护点】
1.一种采用编码智能学习框架的高光谱成像分类方法，其特征在于，包括以下步骤：/nS1：获取一个或多个已知场景的高光谱图像数据立方体，组成离散型高光谱三维数据集合

【技术特征摘要】
1.一种采用编码智能学习框架的高光谱成像分类方法，其特征在于，包括以下步骤：
S1：获取一个或多个已知场景的高光谱图像数据立方体，组成离散型高光谱三维数据集合其中，为各高光谱图像数据立方体对应的离散型高光谱三维数据，W为高光谱图像数据立方体的个数；同时，获取每一个离散型高光谱三维数据对应的分类标记真值向量Si，其中，i＝1,...W，且分类标记真值向量Si中的各元素表示离散型高光谱三维数据所属类别的真值，并将S1～SW组成离散型高光谱三维数据集合所对应的分类标记真值向量的集合设定未经优化设计的CHSI系统模型、人工智能学习模型以及滤波器模型，并将所述未经优化设计的CHSI系统模型、人工智能学习模型以及滤波器模型分别作为当前的CHSI系统模型、人工智能学习模型以及滤波器模型；
S2：采用当前的CHSI系统模型获取中所有离散型高光谱三维数据的压缩测量数据Y1～YW，得到压缩测量数据集合Y＝{Y1,...,YW}；
S3：将Y输入当前的人工智能学习模型与滤波器模型构成的级联模型，得到所对应的分类标记预测向量的集合其中，集合中每一个分类标记预测向量中的各元素表示离散型高光谱三维数据所属类别的预测值；
S4：根据集合和集合构造损失函数判断集合和集合之间的损失函数值是否满足设定要求，若满足，则当前的CHSI系统模型、人工智能学习模型以及滤波器模型共同构成最终的高光谱成像分类模型，若不满足，则进入步骤S5；
S5：按照设定规则更新CHSI系统模型的硬件参数、人工智能学习模型与滤波器模型的软件参数，将更新后的CHSI系统模型、人工智能学习模型以及滤波器模型分别作为当前的CHSI系统模型、人工智能学习模型以及滤波器模型重新执行步骤S2～S4，更新集合直到集合和集合之间的损失函数值满足设定要求；
S6：采用最终的高光谱成像分类模型实现对目标场景对应的离散型高光谱三维数据的分类。


2.如权利要求1所述的一种采用编码智能学习框架的高光谱成像分类方法，其特征在于，若对离散型高光谱三维数据的分类为图像级分类，则所述分类标记真值向量Si和分类标记预测向量均仅包含一个元素，且分类标记真值向量Si中的元素表征离散型高光谱三维数据对应的高光谱图像的所属类别的真值，分类标记预测向量中的元素表征离散型高光谱三维数据对应的高光谱图像的所属类别的预测值；
若对离散型高光谱三维数据的分类为亚图像级分类，则所述分类标记真值向量Si和分类标记预测向量均包含多个元素，且每一个元素分别对应一个由离散型高光谱三维数据在空间纬度上划分而成的子区域内的高光谱三维数据，同时，分类标记真值向量Si中的每一个元素表征各自对应的子区域内的高光谱三维数据的所属类别的真值，分类标记预测向量中的每一个元素表征各自对应的子区域内的高光谱三维数据的所属类别的预测值；
若对离散型高光谱三维数据的分类为像素级分类，则所述分类标记真值向量Si和分类标记预测向量包含的元素个数均与各离散型高光谱三维数据包含的空间像素点的个数相同，且各元素分别对应一个空间像素点，同时，分类标记真值向量Si中的每一个元素表征各自对应的空间像素点的所属类别的真值，分类标记预测向量中的每一个元素表征各自对应的空间像素点的所属类别的预测值。


3.如权利要求1所述的一种采用编码智能学习框架的高光谱成像分类方法，其特征在于，所述CHSI系统模型的硬件参数包括编码孔径、色散元件的色散率以及分光元件的中心波长。


4.如权利要求3所述的一种采用编码智能学习框架的高光谱成像分类方法，其特征在于，若所述编码孔径的图案为周期性的图案，则编码孔径的更新规则为：
选取编码孔径中任意一个周期的图案作为模板图案；
将模板图案上的各像素分别作为优化变量，获取损失函数对于各优化变量的梯度值，得到模板图案对应的梯度值矩阵；
将模板图案当前的像素值一一对应地减去梯度值矩阵中各相应位置的梯度值和设定步长的乘积，完成模板图案的更新；
将其他周期的图案的像素值分别替换为模板图案更新后的对应位置的像素值，完成编码孔径的更...

【专利技术属性】
技术研发人员：马旭，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11