一种基于双损失函数的高光谱图像开放性分类方法技术

本发明专利技术为解决现有图像处理中高光谱图像开放性分类方法中大多采用的为针对图像级进行分类，不适用像素级的图像分类；或在分类处理过程中易受噪声和混合像元影响的技术问题，而提供了一种基于双损失函数的高光谱图像开放性分类方法。包括以下步骤：步骤1、对已知三维高光谱图像X和待测试三维高光谱图像S的每个像素分别取邻域块；步骤2、构造特征提取网络，利用高光谱图像X的邻域块数据及其相应的类别标签对特征提取网络进行训练；步骤3、获取相应类别数据的特征向量；步骤4、构造双损失函数分类网络，利用特征向量训练双损失函数分类网络；步骤5、利用双损失函数分类网络及预设的阈值对三维高光谱图像S的邻域块数据进行开放性分类。性分类。性分类。

【技术实现步骤摘要】
一种基于双损失函数的高光谱图像开放性分类方法


[0001]本专利技术涉及图像处理领域中关于高光谱图像开放性分类方法，具体涉及一种基于双损失函数的高光谱图像开放性分类方法。

技术介绍

[0002]高光谱图像分类在农业、环境保护、生态治理等领域有着越来越多的应用。近年来有许多高光谱图像分类算法被提出。但这些算法大都认为测试样本的类别是属于训练样本中已知的类别。然而在实际的场景中，训练样本很难包含所有的类别，测试数据中难免会出现没有训练过的未知类别数据。为了解决这个问题，人们提出了开放性分类算法：判断数据属于未知类别还是属于已知类别中的某一类。
[0003]目前有多种类型的开放性分类算法被提出，如One
‑
class SVM、W
‑
SVM、1
‑
vs
‑
set Machine等基于SVM的开放性分类算法；EVM、OSNN等基于邻域的开放性分类算法；OpenMax、对抗样本生产法等基于深度学习的开放性分类算法。但这些算法都是针对灰度图像或者彩色图像设计的，他们都是在图像级进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双损失函数的高光谱图像开放性分类方法，其特征在于，包括以下步骤：步骤1、对已知三维高光谱图像X和待测试三维高光谱图像S的每个像素分别取邻域块；步骤2、构造特征提取网络，利用三维高光谱图像X的邻域块数据及其相应的类别标签对特征提取网络进行训练；步骤3、获取相应类别数据的特征向量；步骤4、构造双损失函数分类网络，并利用步骤3获取的特征向量训练双损失函数分类网络；步骤5、利用已训练好的双损失函数分类网络及预设的阈值Q对待测试三维高光谱图像S的邻域块数据进行开放性分类。2.根据权利要求1所述的基于双损失函数的高光谱图像开放性分类方法，其特征在于：步骤1具体为：将三维高光谱图像X和待测试三维高光谱图像S分别向四周扩展a个像素，并对扩展处进行复制填充，再以原始三维高光谱图像X和待测试三维高光谱图像S中的每个像素点为中心，选取空间大小为A
×
A的邻域块，邻域块的类别与中心像素点的类别相对应；其中，a≥1，且为整数；A=2a+1。3.根据权利要求2所述的基于双损失函数的高光谱图像开放性分类方法，其特征在于，步骤2具体为：2.1、构建特征提取网络所述特征提取网络包括依次设置的至少1个卷积层、全连接层和softmax输出层；所述卷积层包括依次设置的二维卷积层、归一化层和relu激活层；2.2、训练特征提取网络将已知三维高光谱图像X的邻域块数据进行随机划分，分为训练集Tr和验证集Te，利用训练集数据和其对应的类别标签对特征提取网络进行训练。4.根据权利要求3所述的基于双损失函数的高光谱图像开放性分类方法，其特征在于，步骤3具体为：3.1、将训练好的特征提取网络中的softmax输出层移除，以全连接层作为输出层，把训练集Tr中的每个数据输入到特征提取网络中，通过全连接层输出一个特征向量；3.2、把所有特征向量根据类别进行平均，得到每个类别对应的特征向量。5.根据权利要求4所述的基于双损失函数的高光谱图像开放性分类方法，其特征在于，步骤4具体为：4.1、构造双损失函数分类网络所述双损失函数分类网络包括依次设置的至少1个卷积层、全连接层输出层和softmax输出层；所述卷积层包括依次设置的二维卷积层、归一化层和relu激活层；4.2、训练双损失函数分类网络利用训练集对双损失函数分类网络进行训练，损失函数L由特征损失L1和交叉熵损失L2加权得到；定义三维高光谱图像X...

【专利技术属性】
技术研发人员：张耿，刘松，胡炳樑，傅頔，李海巍，陈军宇，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：