本发明专利技术是关于一种高光谱数据的精细样本生成方法及装置，方法包括：获取目标高光谱数据；对目标高光谱数据进行正射校正，以得到高光谱正射影像；将高光谱正射影像与已有地面调查分类数据进行空间位置匹配，以确定粗糙样本，其中，粗糙样本包括样本影像和样本标签；采用粗糙样本对分类模型进行训练，获得预训练的类别预测模型；通过预训练的类别预测模型对每个粗糙样本进行类别预测，以得到每个粗糙样本对应的目标类别；根据每个粗糙样本对应的目标类别和样本标签确定其分类精度，并将分类精度小于预设精度的目标粗糙样本丢弃，以得到精细样本。通过该技术方案，保证保留下来的精细样本具有较高的准确性和可用性。本具有较高的准确性和可用性。本具有较高的准确性和可用性。
【技术实现步骤摘要】
高光谱数据的精细样本生成方法及装置
[0001]本专利技术涉及数据处理
，尤其涉及一种高光谱数据的精细样本生成方法及装置。
技术介绍
[0002]高光谱图像分类一直是遥感图像处理领域的研究热点，它被广泛应用于农作物分析、军事目标识别、地理地质等领域。但是，在实际分类处理中，高光谱图像数据通常维数较高、标记样本极少且光谱和空间变化大，这些特点给传统遥感图像分类算法提出了新的挑战。
[0003]现有技术一般通过人工标记的方式获得样本标签。人工标记样本的方式，样本获取成本高，而且对于新拍摄的高光谱数据，也需要重新标记，因此人工标记的样本利用效率也比较低。
技术实现思路
[0004]为克服相关技术中存在的问题，本专利技术提供一种高光谱数据的精细样本生成方法及装置，可以解决人工标记样本用于高光谱影像分类中，效率低、成本高、复用性差的问题。
[0005]根据本专利技术实施例的第一方面，提供一种高光谱数据的精细样本生成方法，所述方法包括：
[0006]获取目标高光谱数据；
[0007]对所述目标高光谱数据进行正射校正，以得到高光谱正射影像；
[0008]将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配，以确定粗糙样本，其中，所述粗糙样本包括样本影像和样本标签；
[0009]采用粗糙样本对分类模型进行训练，获得预训练的类别预测模型；
[0010]通过预训练的类别预测模型对每个粗糙样本进行类别预测，以得到每个粗糙样本对应的目标类别；
[0011]根据每个粗糙样本对应的目标类别和样本标签确定其分类精度，并将分类精度小于预设精度的目标粗糙样本丢弃，以得到精细样本。
[0012]在一个实施例中，优选地，在采用粗糙样本对分类模型进行训练，获得预训练的类别预测模型之前，所述方法还包括：
[0013]根据类别分类需求，对样本标签进行类别合并。
[0014]在一个实施例中，优选地，所述获取目标高光谱数据，包括：
[0015]获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。
[0016]在一个实施例中，优选地，将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配，以确定粗糙样本，包括：
[0017]获取每个高光谱正射影像的空间范围；
[0018]将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位
置匹配；
[0019]对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪，以得到所述粗糙样本。
[0020]在一个实施例中，优选地，将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配，包括：
[0021]根据所述每个高光谱正射影像的空间范围，确定所述每个高光谱正射影像的四个角点的经纬度坐标信息；
[0022]根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件；
[0023]将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集，以确定所述目标高光谱正射影像对应的目标地面调查分类数据；
[0024]将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪，并将所述目标高光谱正射影像确定为所述样本影像，根据所述目标地面调查分类数据确定所述样本标签。
[0025]根据本专利技术实施例的第二方面，提供一种高光谱数据的精细样本生成装置，所述装置包括：
[0026]获取模块，用于获取目标高光谱数据；
[0027]校正模块，用于对所述目标高光谱数据进行正射校正，以得到高光谱正射影像；
[0028]匹配模块，用于将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配，以确定粗糙样本，其中，所述粗糙样本包括样本影像和样本标签；
[0029]预训练模块，用于将粗糙样本对分类模型进行训练，获得预训练的类别预测模型；
[0030]预测模块，用于通过预训练的类别预测模型对每个粗糙样本进行类别预测，以得到每个粗糙样本对应的目标类别；
[0031]处理模块，用于根据每个粗糙样本对应的目标类别和样本标签确定其分类精度，并将分类精度小于预设精度的目标粗糙样本丢弃，以得到精细样本。
[0032]在一个实施例中，优选地，所述装置还包括：
[0033]合并模块，用于在采用粗糙样本对分类模型进行训练，获得预训练的类别预测模型之前，根据类别分类需求，对样本标签进行类别合并。
[0034]在一个实施例中，优选地，所述获取模块用于：
[0035]获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。
[0036]在一个实施例中，优选地，所述匹配模块包括：
[0037]获取单元，用于获取每个高光谱正射影像的空间范围；
[0038]匹配单元，用于将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配；
[0039]裁剪单元，用于对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪，以得到所述粗糙样本。
[0040]在一个实施例中，优选地，所述匹配单元用于：
[0041]根据所述每个高光谱正射影像的空间范围，确定所述每个高光谱正射影像的四个角点的经纬度坐标信息；
[0042]根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件；
[0043]将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集，以确定所述目标高光谱正射影像对应的目标地面调查分类数据；
[0044]将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪，并将所述目标高光谱正射影像确定为所述样本影像，根据所述目标地面调查分类数据确定所述样本标签。
[0045]根据本专利技术实施例的第三方面，提供一种高光谱数据的精细样本生成装置，所述装置包括：
[0046]处理器；
[0047]用于存储处理器可执行指令的存储器；
[0048]其中，所述处理器被配置为：
[0049]获取目标高光谱数据；
[0050]对所述目标高光谱数据进行正射校正，以得到高光谱正射影像；
[0051]将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配，以确定粗糙样本，其中，所述粗糙样本包括样本影像和样本标签；
[0052]采用粗糙样本对分类模型进行训练，获得预训练的类别预测模型；
[0053]通过预训练的类别预测模型对每个粗糙样本进行类别预测，以得到每个粗糙样本对应的目标类别；
[0054]根据每个粗糙样本对应的目标类别和样本标签确定其分类精度，并将分类精度小于预设精度的目标粗糙样本丢弃，以得到精细样本。
[0055]根据本专利技术实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种高光谱数据的精细样本生成方法，其特征在于，所述方法包括：获取目标高光谱数据；对所述目标高光谱数据进行正射校正，以得到高光谱正射影像；将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配，以确定粗糙样本，其中，所述粗糙样本包括样本影像和样本标签；采用粗糙样本对分类模型进行训练，获得预训练的类别预测模型；通过预训练的类别预测模型对每个粗糙样本进行类别预测，以得到每个粗糙样本对应的目标类别；根据每个粗糙样本对应的目标类别和样本标签确定其分类精度，并将分类精度小于预设精度的目标粗糙样本丢弃，以得到精细样本。2.根据权利要求1所述的方法，其特征在于，在采用粗糙样本对分类模型进行训练，获得预训练的类别预测模型之前，所述方法还包括：根据类别分类需求，对样本标签进行类别合并。3.根据权利要求1所述的方法，其特征在于，所述获取目标高光谱数据，包括：获取需要生成样本的目标区域和目标时间范围内的目标高光谱数据。4.根据权利要求1所述的方法，其特征在于，将所述高光谱正射影像与已有地面调查分类数据进行空间位置匹配，以确定粗糙样本，包括：获取每个高光谱正射影像的空间范围；将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配；对空间位置匹配一致的目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪，以得到所述粗糙样本。5.根据权利要求4所述的方法，其特征在于，将每个高光谱正射影像的空间范围与已有地面调查分类数据的范围进行空间位置匹配，包括：根据所述每个高光谱正射影像的空间范围，确定所述每个高光谱正射影像的四个角点的经纬度坐标信息；根据所述经纬度坐标信息生成每个高光谱正射影像对应范围的矢量文件；将目标高光谱正射影像对应范围的矢量文件与所述地面调查分类数据对应范围的矢量文件进行求交集，以确定所述目标高光谱正射影像对应的目标地面调查分类数据；将所述目标高光谱正射影像和目标地面调查分类数据按照预设尺寸进行裁剪，并将所述目标高光谱正射影像确定为所述样本影像，根据所述目标地面调查分类数据确定所述样本标签。6.一种高光谱...
【专利技术属性】
技术研发人员：肖晨超，刘瑶，刘智伟，
申请(专利权)人：自然资源部国土卫星遥感应用中心，
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。