基于双路图U-NET卷积网络的溢油高光谱图像检测方法技术

本发明专利技术公开了一种基于双路图U

【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，高光谱数据重排列得到像素数据矩阵；根据像素数据矩阵，进行强制最近邻连接矩阵及空间近邻连接矩阵的构建；利用图卷积网络分别对强制最近邻连接矩阵及空间近邻权重矩阵和像素数据矩阵进行卷积，得到特征矩阵；特征矩阵进行拼接，使用softmax分类器对像素的特征矩阵进行分类。但没有对图卷积过程中产生的高空间分辨率的局部信息进行充分利用。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足，提供一种基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法，其中建立了溢油高光谱数据的图结构信息，使用图卷积网络从图结构信息中提取光谱和空间图特征进行溢油检测。具体地，分别利用原始图像中的光谱信息与空间物理相邻的信息建立光谱图结构信息和空间图结构信息，之后，分别将光谱图结构信息和空间图结构信息送入一路图U
‑
NET卷积网络，通过U
‑
NET结构获取光谱图特征和空间图特征，接下来将光谱图特征和空间图特征融合，从而得到溢油高光谱图像的空
‑
谱图特征；最后，利用上述空
‑
谱图特征进行溢油高光谱图像检测。
[0007]根据本专利技术的实施例，提供了一种基于双路图U
‑
NET卷积网络的溢油高光谱图像
检测方法，包括以下步骤：
[0008]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，
[0009]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，
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]由此，本专利技术的有益效果包括：
[0015]1、提出了一种将溢油高光谱数据图结构化的方法，能够将欧式图像数据映射为非欧数据，更有效地表示光谱信息和空间信息；
[0016]2、提出了一种双路图U
‑
NET卷积网络应用在溢油高光谱图像的分类中，能够提取到溢油高光谱图像的空
‑
谱图特征，提高了溢油高光谱图像的检测准确率。
附图说明
[0017]图1为根据本专利技术的实施例的一种基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法的图卷积神经网络(DGU
‑
HSI)的架构示意图；
[0018]图2为根据本专利技术的实施例的一种基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法的原理示意图；
[0019]图3为根据本专利技术的实施例的一种基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法的流程示意图；
[0020]图4为根据本专利技术的实施例的一种基于双路图U
‑
NET卷积网络的溢油高光谱图像检测方法的双路图卷积网络的原理示意图。
具体实施方式
[0021]下面，结合附图对技术方案的实施作进一步的详细描述。
[0022]本领域的技术人员能够理解，尽管以下的说明涉及到有关本专利技术的实施例的很多技术细节，但这仅为用来说明本专利技术的原理的示例、而不意味着任何限制。本专利技术能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本专利技术的原理和精神即可。
[0023]另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。
[0024]下面结合附图对具体实施方案进行详细描述。
[0025]图1为根据本专利技术的实施例的实现一种基于双路图U
‑
NET卷积网络的溢油高光谱
图像检测方法的卷积神经网络(DGU
‑
HSI)的架构示意图。
[0026]如图1所示，为便于理解本专利技术的原理，可将所述图像检测方法概述为如下阶段：
[0027]1、对从溢油高光谱图像中提取的样本数据(图1左侧示出的图像数据块)，进行图结构化(例如，通过PCA(主成分分析))，得到样本数据的光谱图结构信息和空间图结构信息(图结构数据)；
[0028]2、将所述光谱图结构信息与空间图结构信息分别送入双路图U
‑
NET卷积网络中的一路，分别得到溢油高光谱图像的光谱图特征与空间图特征；
[0029]3、融合光谱图特征与空间图特征(例如，通过Additive(叠加)和/或Concatenation(拼接))，再将融合后的空
‑
谱图特征通过分类器得到所述溢油高光谱图像的分类结果(逐像素的分类结果)，以此检测是否存在溢油区域。
[0030]上述阶本文档来自技高网...

【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：