【技术实现步骤摘要】
基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法
[0001]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,涉及一种基于双路图U
‑
NET卷积网络的高光谱图像检测方法,其可用于溢油高光谱图像的检测。
技术介绍
[0002]高光谱成像是指利用成像光谱仪将各种地物的光谱特性记录下来,对各个波段分别成像,将不同波段的图像形成数据立方体作为高光谱图像。高光谱图像在二维空间信息的基础上增加了光谱信息,每个像素都有一条反射光谱曲线与其对应。高光谱遥感由于其连续的光谱分辨能力和对物质表面特性的鉴别能力,使其具有有效定位和区分海水与油膜的能力。
[0003]近年来,基于深度学习的高光谱分类方法展示了巨大潜力。特别是图卷积网络,它为图数据结构的处理提供了一个崭新的思路,将深度学习中常用于图像的卷积神经网络应用到图数据上,通过图卷积网络对高光谱图像进行分类,大大提高了高光谱图像的分类精度。
[0004]王刚在论文“基于SVM的高光谱遥感图像海面溢油图像分类方法研究”中实现了基于SVM模型的高光谱溢油分类算法,设计了一种面向多时相数据油污带提取的SVM分类处理流程。然而,在有足够数据量的情况下,基于深度学习的溢油高光谱图像分类算法优于这类传统的机器学习算法。
[0005]华南理工大学在其专利申请“一种基于多图结构的图卷积网络的高光谱图像分类方法”(CN111160396A)中提出了一种基于多图结构的图卷积网络的高光谱图像分类方法,高光谱 ...
【技术保护点】
【技术特征摘要】
1.一种基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法,包括以下步骤:步骤1、对需要检测溢油的高光谱图像的数据进行图结构化,得到光谱图结构信息和空间图结构信息,其中,所述光谱图结构信息包括以下信息:所述高光谱图像中的具有光谱相似性的多个像素的各自的光谱特征;以及所述具有光谱相似性的多个像素彼此之间的光谱相似性,其中,所述空间图结构信息包括以下信息:所述高光谱图像中的具有空间相似性的多个像素的各自的光谱特征;以及所述具有空间相似性的多个像素彼此之间的光谱相似性;步骤2、将所述光谱图结构信息和空间图结构信息分别送入双路图U
‑
NET卷积网络中的一路,分别得到所述高光谱图像的光谱图特征和空间图特征;步骤3、对所述光谱图特征和所述空间图特征进行融合,得到空
‑
谱图特征;步骤4、将所述空
‑
谱图特征送入分类器,以得到所述高光谱图像的分类结果。2.根据权利要求1所述的基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法,其中,在步骤1之前,还包括以下步骤:步骤0
‑
1、对所述高光谱图像的数据进行预处理,包括数据归一化和数据降维。3.根据权利要求1或2所述的基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法,其中,在步骤1之前,还包括以下步骤:步骤0
‑
2、通过w
×
w的窗口,将所述高光谱图像分割为多个大小为w
×
w的图像块,作为样本数据,其中w为奇数。4.根据权利要求3所述的基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法,其中,步骤1包括:步骤1
‑
1、以所述高光谱图像的每个像素作为中心像素,分别建立所述空间图结构信息,其中,所述空间图结构信息由特征矩阵和邻接矩阵构成,所述空间图结构信息的特征矩阵的元素值为中心像素及其相邻像素的光谱特征值,所述空间图结构信息的邻接矩阵的元素值为中心像素与其相邻像素的光谱相似性;步骤1
‑
2、对所述高光谱图像的每个图像块,分别建立所述光谱图结构信息,其中,所述光谱图结构信息由特征矩阵和邻接矩阵构成,所述光谱图结构信息的特征矩阵的元素值为图像块中的中心像素以及与所述中心像素的光谱最相似的r个像素的光谱特征值,所述光谱图结构信息的邻接矩阵的元素值为所述中心像素与...
【专利技术属性】
技术研发人员:李忠伟,辛紫麒,郭防铭,王雷全,李琦,张雅静,
申请(专利权)人:中国石油大学华东,
类型:发明
国别省市:
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。