一种高光谱遥感图像分类方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种高光谱遥感图像分类方法、装置、设备及存储介质，包括：采集高光谱数据及对应的标签，获取三维数据立方体作为样本集，并将样本集划分为训练集和测试集；根据训练集中不同类别的样本个数中的最大值和每个类别的样本个数，计算每个类别的扩增因子；根据计算得到的扩增因子，采用旋转和插值的方法对训练集进行扩增，得到扩增后的训练样本和对应的标签；以扩增后的训练样本和对应的标签为输入，以不同类别的概率为输出，构建并训练高光谱遥感图像分类模型；将待测高光谱图像输入至该模型，对待测高光谱图像进行分类。这样给不同类别分配不同的扩增因子，在轻量化参数的情况下充分学习高光谱的空谱信息，有效防止细节信息的损失。

【技术实现步骤摘要】
一种高光谱遥感图像分类方法、装置、设备及存储介质
本专利技术涉及遥感图像分类领域，特别是涉及一种高光谱遥感图像分类方法、装置、设备及存储介质。
技术介绍
高光谱图像由于包含空间和光谱信息，能够精确地对相关地物进行分类和识别。高光谱分类已经广泛地应用于矿产资源勘探、信息监测、农业种植等领域。深度学习的发展为高光谱分类带来了新的发展前景。但是高光谱分类领域仍然面临着重大的挑战，主要问题有两点：第一点是高光谱空间分布复杂且存在同物异谱和同谱异物的现象；第二点是有标签样本过少，有标签样本数量不能与高维数据相平衡容易造成维度诅咒的问题。因此，如何有效解决高光谱数据空间分布复杂和有标签样本过少的问题，提升高光谱图像的分类性能，是本领域技术人员亟待解决的技术问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种高光谱遥感图像分类方法、装置、设备及存储介质，可以有效防止细节信息的损失，提升高光谱图像的分类性能。其具体方案如下：一种高光谱遥感图像分类方法，包括：采集高光谱数据以及对应的标签，获取三维数据立本文档来自技高网...

【技术保护点】
1.一种高光谱遥感图像分类方法，其特征在于，包括：/n采集高光谱数据以及对应的标签，获取三维数据立方体作为样本集，并将所述样本集划分为训练集和测试集；/n根据所述训练集中不同类别的样本个数中的最大值和每个类别的样本个数，计算所述训练集中每个类别的扩增因子；/n根据计算得到的所述扩增因子，采用旋转和插值的方法对所述训练集进行扩增，得到扩增后的训练样本和对应的标签；/n以扩增后的训练样本和对应的标签为输入，以不同类别的概率为输出，构建并训练高光谱遥感图像分类模型；/n将待测高光谱图像输入至训练好的所述高光谱遥感图像分类模型，对所述待测高光谱图像进行分类。/n

【技术特征摘要】
1.一种高光谱遥感图像分类方法，其特征在于，包括：
采集高光谱数据以及对应的标签，获取三维数据立方体作为样本集，并将所述样本集划分为训练集和测试集；
根据所述训练集中不同类别的样本个数中的最大值和每个类别的样本个数，计算所述训练集中每个类别的扩增因子；
根据计算得到的所述扩增因子，采用旋转和插值的方法对所述训练集进行扩增，得到扩增后的训练样本和对应的标签；
以扩增后的训练样本和对应的标签为输入，以不同类别的概率为输出，构建并训练高光谱遥感图像分类模型；
将待测高光谱图像输入至训练好的所述高光谱遥感图像分类模型，对所述待测高光谱图像进行分类。


2.根据权利要求1所述的高光谱遥感图像分类方法，其特征在于，所述高光谱遥感图像分类模型包括初始模块、三组交替连接的空谱残差分型模块和空谱维度变换模块、全局特征模块以及输出模块；其中，
所述初始模块，用于提取高光谱图像的底层特征；
所述空谱残差分型模块，用于提取高光谱图像的空谱特征；
所述空谱维度变换模块，用于降低高光谱特征图的维度；
所述全局特征模块，用于将提取的所述底层特征和所述空谱特征进行整合；
所述输出模块，用于输出不同类别的概率。


3.根据权利要求2所述的高光谱遥感图像分类方法，其特征在于，所述初始模块由卷积核大小为3×3×3、滑动步长为(2,2,2)的三维卷积、L2正则化层、批归一化层以及ReLU层构成。


4.根据权利要求2所述的高光谱遥感图像分类方法，其特征在于，所述空谱残差分型模块由五个子路径组成；其中，两个子路径分别包含两个空谱残差块，剩余的三个路径分别包含一个空谱残差块；
所述空谱残差块的输入经过复合函数后通过跳跃连接的方式与输入进行相加，并通过ReLU函数得到输出；其中，所述复合函数由用于提取高光谱图像的空间特征且卷积核大小为3×3×1的三维卷积、L2正则化层、批归一化层、ReLU层以...

【专利技术属性】
技术研发人员：王永成，张欣，张宁，徐东东，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：吉林;22