【技术实现步骤摘要】
一种高光谱图像分类方法、装置、电子设备和存储介质
[0001]本公开涉及计算机视觉与航空遥感技术，具体涉及一种高光谱图像分类方法、装置、电子设备和存储介质。
技术介绍
[0002]高光谱遥感能够以成百个精细连续的光谱波段捕捉丰富的地物信息。其中，高光谱图像分类将图片中每个像素点都进行分类，是高光谱遥感中一个重要的任务。高光谱图像分类方法包含传统的机器学习方法和深度学习方法，其中，机器学习方法利用人工提取的图像特征进行建模。例如，Blanzier等人利用k近邻方法来度量高光谱样本之间的相似性。Melgani等人将支持向量机引入高光谱分类的研究中，在当时引起了广泛的关注。Sun等人利用主动学习的方法进一步提高了高光谱分类的性能。以深度学习为基础的高光谱分类方法利用深度神经网络的结构自动提取图片中的特征进行建模，在现今高光谱分类领域中占据主导位置。例如，一维卷积神经网络、循环神经网络以及生成判别网络都被用来捕获高光谱图片中的丰富信息，通过加强模型对图像的建模和表征能力来提高分类效果。
[0003]由于自然光谱差异、高光谱仪...
【技术保护点】
【技术特征摘要】
1.一种高光谱图像分类方法，其特征在于，包括：将待分类的高光谱图像输入预设的卷积神经网络，得到所述高光谱图像的图像特征；利用所述图像特征，根据预设的均值网络，得到所述图像特征对应的均值矩阵；根据所述均值矩阵，计算所述高光谱图像对应各类别的概率值，将所述概率值的最大值对应的类别作为所述高光谱图像的分类结果。2.根据权利要求1所述的分类方法，其特征在于，所述根据所述均值矩阵，计算所述高光谱图像对应各类别的概率值，表达式如下：其中，记高光谱图像为x
i
，k代表第k个类别标签，M
i
表示x
i
的图像特征对应的均值矩阵，f
l
(M
i
)代表对均值矩阵M
i
的线性映射，使得M
i
的维度等于类别总数，f
l
(M
i
)
k
代表f
l
(M
i
)中的第k个分量值，y
i
代表x
i
的分类结果，N代表类别总数。3.根据权利要求1所述的分类方法，其特征在于，在所述将待分类的高光谱图像输入预设的卷积神经网络，得到所述高光谱图像的图像特征之前，还包括：训练所述卷积神经网络和所述均值网络；所述训练所述卷积神经网络和所述均值网络，包括：获取训练数据集；构建卷积神经网络并随机初始化；构建均值网络和方差网络，将所述均值网络和所述方差网络分别连接在所述卷积神经网络之后；利用所述训练数据集训练所述卷积神经网络、所述均值网络和所述方差网络，得到训练完毕的所述卷积神经网络、所述均值网络和所述方差网络。4.根据权利要求3所述的分类方法，其特征在于，所述卷积神经网络包括依次连接的光谱特征提取单元和空间特征提取单元；其中，所述光谱特征提取单元和所述空间提取单元均由两个残差模块连接而成，每个残差模块由两个卷积层组成。5.根据权利要求3所述的分类方法，其特征在于，所述均值网络和所述方差网络采用结构相同的一层全连接层构成。6.根据权利要求3所述的分类方法，其特征在于，所述利用所述训练数据集训练所述卷积神经网络、所述均值网络和所述方差网络，得到训练完毕的所述卷积神经网络、所述均值网络和所述方差网络，包括：1)图像特征提取；将训练数据集的每张图像x
i
输入当前卷积神经网络，利用当前卷积神经网络提取对应的图像特征f
i
；2)利用当前均值网络和方差网络分别构建图像特征对应的均值均值矩阵和方差矩阵，如下所示：如下所示：其中，f
i
为x
i
的图像特征，g1和g2分别代表均值网络和方差网络对应输入图像特征的映
射，M
i
为对应f
i
的均值矩阵，m
ij
是均值矩阵M
i
中第j个像素对应的均值向量，V
i
为对应f
i
的方差矩阵，v
ij
是方差矩阵V
i
中第j个像素对应的方差向量，T代表输入图像的像素数量；3)通过约束损失函数增大图像特征中外围像素的方差；其中，对图像特征f
i
的第j圈的像素构建的约束损失函数如下所示：的第j圈的像素构建的约束损失函数如下所示：其中，α为设定的增大比例值，n
j
代表以图像特征中心像素点为第1圈时第j圈像素的数...
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。