分类方法、分类装置及存储介质制造方法及图纸

本公开内容涉及用于基于高光谱图像估计物体分类的分类方法、分类装置以及存储介质。根据本公开内容的一个实施例，该分类方法包括：使用基于第一神经网络的点级分类器提取高光谱图像中的单个感兴趣类型物体的轮廓区内的多个点中的各点的点级分类特征；以及使用基于第二神经网络的块级分类器基于与多个点的点级分类特征关于聚类特征组集中的各聚类特征组的计数相关联的块级分类特征估计单个感兴趣类型物体的相对于感兴趣类型的下级分类。本公开内容的方法、装置和存储介质的有益效果至少包括：提高分类的准确度。提高分类的准确度。提高分类的准确度。

【技术实现步骤摘要】
分类方法、分类装置及存储介质


[0001]本公开内容总体上涉及图像处理，更具体的，涉及基于高光谱图像估计物体分类的分类方法、分类装置以及存储介质。

技术介绍

[0002]确定林区树木的组成情况有重要的意义。传统的人工现场确认、标识是费时、费力的。利用遥感技术对林区进行检测、研究是一种新近出现的有效手段。例如，使用高光谱图像确定林区各个区域的树木的种类。
[0003]高光谱图像不仅包含位置信息，还包括光谱信息。高光谱图像中的每个点可以具有位置坐标。在光谱维度，高光谱图像中的每个点还具有高光谱信息。例如，选择高光谱图像的示例性波长范围为380nm至780nm，可以将该波长范围分成80个波段(波长分段)；高光谱图像中的每个点具有关于波段(横坐标)的高光谱值(纵坐标)曲线。每种物质的高光谱值曲线会有不同的特点，因此可以基于高光谱图像进行物体识别或分类。
[0004]利用例如遥感卫星等获取的高光谱图像可以对地表的物体分布进行分析，得到有意义的结果。例如，利用遥感卫星获取的针对某林区的高光谱图像，进行图像分析，可以获取该林区的树木分布情况的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种由计算机实现的用于基于高光谱图像估计物体分类的分类方法，其特征在于，包括：使用基于第一神经网络的点级分类器提取所述高光谱图像中的单个感兴趣类型物体的轮廓区内的多个点中的各点的点级分类特征；以及使用基于第二神经网络的块级分类器基于与所述多个点的点级分类特征关于聚类特征组集中的各聚类特征组的计数相关联的块级分类特征估计所述单个感兴趣类型物体的相对于感兴趣类型的下级分类；其中，所述点级分类器基于各点的高光谱值提取相应点的点级分类特征；所述点级分类器被配置成能够基于所述轮廓区内的单个点的高光谱信息估计所述单个点的关于下级分类集的分类；所述单个感兴趣类型物体的轮廓区是在所述高光谱图像中所述单个感兴趣类型物体的轮廓或所述单个感兴趣类型物体的轮廓的外接框指示的区域；所述聚类特征组集是通过对所述点级分类器从预定高光谱图像集提取的点级分类特征进行聚类来确定；并且所述多个点的点级分类特征关于聚类特征组集中的各聚类特征组的计数指示所述多个点的点级分类特征中落入相应聚类特征组的点级分类特征的计数。2.根据权利要求1所述的分类方法，其中，所述感兴趣类型包括树木，并且所述下级分类集包含多种树木类型。3.根据权利要求1所述的分类方法，其中，使用所述点级分类器提取所述点级分类特征包括：对所述轮廓区内的点的高光谱值进行归一化。4.根据权利要求1所述的分类方法，其中，使用所述点级分类器提取所述点级分类特征包括：对所述轮廓区内的点的高光谱值以预定概率进行随机空间增强；其中，所述随机空间增强包括以下操作：用相应点的邻近点的高光谱值及所述相应点的高光谱值的加权平均值更新所述相应点的高光谱值；其中，使用随机函数生成用于计算所述加权平均值的多个权重。5.根据权利要求1所述的分类方法，其中，所述第一神经网络包括多个全连接层。6.根据权利要求5所述的分类方法，其中，所述第一神经网络被配置成对所述多个全连接层中的部分全连接层的输出特征进行非线性激活。7.根据权利要求1所述的分类方法，其中，确定所述块级分类特征包括：确定由所述多个点的点级分类特征关于聚类特征组集中的各聚类特征组的计数构成的中间向量；以及对所述中间向量进行归一化作为所述块级分类特征。8.根据权利要求1所述的分类方法，其中，使用所述块级分类器估计所述单个感兴趣类型物体的相对于感兴趣类型的下级分类包括：更新所述聚...

【专利技术属性】
技术研发人员：王平，汪留安，孙俊，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：