基于光谱重构的高光谱交叉定标方法、装置及电子设备制造方法及图纸

本发明专利技术属于光谱定标技术领域，涉及基于光谱重构的高光谱交叉定标方法、装置及电子设备，该方法包括：建立具有多头注意力机制的卷积神经网络模型；选择目标波段的高光谱波段数据；建立长短期记忆神经网络模型，模型训练；高光谱波段数据重建得到目标波段高光谱数据；使用目标波段高光谱数据进行交叉定标。本发明专利技术有效解决了传统交叉定标要求待定标遥感器和目标遥感器之间必须有相近谱段的问题，通过具有多头注意力机制的卷积神经网络模型，训练卷积神经网络模型使其具有良好的波段选择能力并筛选出高光谱数据中代表性较强的波段，波段选择后利用长短期记忆网络进行光谱重建，拟合出需要的波段信息，进而满足交叉定标的需求。进而满足交叉定标的需求。进而满足交叉定标的需求。

【技术实现步骤摘要】
基于光谱重构的高光谱交叉定标方法、装置及电子设备


[0001]本专利技术属于光谱定标
，具体而言，涉及基于光谱重构的交叉定标方法、装置及电子设备。

技术介绍

[0002]当前遥感应用逐渐从定性向定量化发展的趋势对辐射定标的可靠性提出了更高的要求。传统的场地替代定标法虽然定标精度较高，但有着诸多限制难以大规模高频率的开展。交叉定标是近年来发展较为迅速的一种无场地定标技术，它解决了场地定标门槛高的问题。
[0003]交叉定标的思想是待定标的在轨卫星遥感器与定标结果较好的卫星遥感器在同一时间、相近角度观测同一区域时，可以通过对比二者的测量值，来实现对待定标卫星遥感器的标定。与场地替代定标技术相比，它无需建立地面校正场，就可进行多遥感器卫星数据之间的标定。它的优点是定标成本较低，可以实现高频次、多遥感器间的辐射定标。刘佳欣等人曾在2021年使用MODIS卫星对我国风云4号卫星的热红外通道进行交叉定标。虽然交叉定标的限制条件与场地定标相比有所降低，但是交叉定标要求待定标遥感器与目标遥感器有着相似的光谱范围，这就导致了一些待定标遥感器缺少可利用的具有相似光谱范围的目标遥感器进行参考。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供基于光谱重构的高光谱交叉定标方法、装置及电子设备。
[0005]第一方面，本专利技术提供了基于光谱重构的高光谱交叉定标方法，包括：
[0006]建立具有多头注意力机制的卷积神经网络模型；
[0007]利用所述卷积神经网络模型选择目标波段的高光谱波段数据；
[0008]建立长短期记忆神经网络模型，采用反向传播算法对所述长短期记忆神经网络模型进行训练；
[0009]利用训练后的所述长短期记忆神经网络模型对选择的目标波段的所述高光谱波段数据进行重建，得到重建后的目标波段高光谱数据；
[0010]使用所述目标波段高光谱数据进行交叉定标。
[0011]第二方面，本专利技术提供了基于光谱重构的高光谱交叉定标装置，包括模型建立单元、选择单元、模型训练单元、重建单元与交叉定标单元；
[0012]所述模型建立单元，用于建立具有多头注意力机制的卷积神经网络模型；
[0013]所述选择单元，用于利用所述卷积神经网络模型选择目标波段的高光谱波段数据；
[0014]所述模型训练单元，用于建立长短期记忆神经网络模型，采用反向传播算法对所述长短期记忆神经网络模型进行训练；
[0015]所述重建单元，用于利用训练后的所述长短期记忆神经网络模型对选择的目标波段的所述高光谱波段数据进行重建，得到重建后的目标波段高光谱数据；
[0016]所述交叉定标单元，用于使用所述目标波段高光谱数据进行交叉定标。
[0017]第三方面，本专利技术提供了一种电子设备，包括:
[0018]处理器和存储器；
[0019]所述存储器，用于存储计算机操作指令；
[0020]所述处理器，用于通过调用所述计算机操作指令，执行所述的基于光谱重构的高光谱交叉定标方法。
[0021]本专利技术的有益效果是：本专利技术有效解决了传统交叉定标要求待定标遥感器和目标遥感器之间必须有相近谱段的问题，通过具有多头注意力机制的卷积神经网络模型，训练卷积神经网络模型使其具有良好的波段选择能力并筛选出高光谱数据中代表性较强的波段，波段选择后利用长短期记忆网络进行光谱重建，拟合出需要的波段信息，进而满足交叉定标的需求。
[0022]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0023]进一步，采用若干个多头注意力模块和全连接层作为所述长短期记忆神经网络模型的基础结构并在输出时加入阶梯函数作为滤波器。
[0024]进一步，利用所述卷积神经网络模型选择目标波段的高光谱波段数据，包括：对所述高光谱波段数据进行特征提取得到目标波段的权重矩阵；对目标波段的所述权重矩阵进行筛选，使用阶梯函数保留权重最大的高光谱波段，得到目标波段的所述高光谱波段数据。
[0025]进一步，利用训练后的所述长短期记忆神经网络模型对选择的目标波段的所述高光谱波段数据进行重建时，将每个波段的辐亮度作为一维特征，筛选后的波段集合作为序列，进行长短期记忆神经网络计算。
[0026]进一步，采用反向传播算法更新所述卷积神经网络模型参数，计算原始矩阵和使用所述卷积神经网络模型重建的矩阵之间的均方误差；根据所述均方误差确定满足重构原始的全波段信息的波段。
[0027]进一步，使用所述目标波段高光谱数据进行交叉定标，包括：
[0028]得到重建后的目标波段高光谱数据后，将一维的辐亮度信息进行扩充和计算得到多维的张量；
[0029]使用两个线性回归网络对所述张量进行降维运算，拟合出的重建波段信息，得到辐亮度；
[0030]将数据输入训练后的所述长短期记忆神经网络模型，拟合出缺失的波段辐亮度；
[0031]将拟合出的波段辐亮度作为目标值并结合待定标遥感器的DN值计算定标系数，完成交叉定标。
附图说明
[0032]图1为本专利技术实施例1提供的基于光谱重构的高光谱交叉定标方法的流程图；
[0033]图2为本专利技术基于光谱重构的高光谱交叉定标装置的原理图；
[0034]图3为本专利技术实施例3中一种电子设备的原理图。
[0035]图标：30
‑
电子设备；310
‑
处理器；320
‑
总线；330
‑
存储器；340
‑
收发器。
具体实施方式
[0036]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0037]实施例1
[0038]作为一个实施例，如附图1所示，为解决上述技术问题，本实施例提供基于光谱重构的高光谱交叉定标方法，包括：
[0039]建立具有多头注意力机制的卷积神经网络模型；
[0040]利用卷积神经网络模型选择目标波段的高光谱波段数据；
[0041]建立长短期记忆神经网络模型，采用反向传播算法对长短期记忆神经网络模型进行训练；
[0042]利用训练后的长短期记忆神经网络模型对选择的目标波段的高光谱波段数据进行重建，得到重建后的目标波段高光谱数据；
[0043]使用目标波段高光谱数据进行交叉定标。
[0044]在实际应用过程中，建立具有多头注意力机制的卷积神经网络模型，通过模型训练实现波段选择的功能。
[0045]可选的，采用若干个多头注意力模块和全连接层作为长短期记忆神经网络模型的基础结构并在输出时加入阶梯函数作为滤波器。
[0046]在实际应用过程中，在建立具有多头注意力机制的卷积神经网络模型时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于光谱重构的高光谱交叉定标方法，其特征在于，包括：建立具有多头注意力机制的卷积神经网络模型；利用所述卷积神经网络模型选择目标波段的高光谱波段数据；建立长短期记忆神经网络模型，采用反向传播算法对所述长短期记忆神经网络模型进行训练；利用训练后的所述长短期记忆神经网络模型对选择的目标波段的所述高光谱波段数据进行重建，得到重建后的目标波段高光谱数据；使用所述目标波段高光谱数据进行交叉定标。2.根据权利要求1所述基于光谱重构的高光谱交叉定标方法，其特征在于，采用若干个多头注意力模块和全连接层作为所述长短期记忆神经网络模型的基础结构并在输出时加入阶梯函数作为滤波器。3.根据权利要求1所述基于光谱重构的高光谱交叉定标方法，其特征在于，利用所述卷积神经网络模型选择目标波段的高光谱波段数据，包括：对所述高光谱波段数据进行特征提取得到目标波段的权重矩阵；对目标波段的所述权重矩阵进行筛选，使用阶梯函数保留权重最大的高光谱波段，得到目标波段的所述高光谱波段数据。4.根据权利要求1所述基于光谱重构的高光谱交叉定标方法，其特征在于，利用训练后的所述长短期记忆神经网络模型对选择的目标波段的所述高光谱波段数据进行重建时，将每个波段的辐亮度作为一维特征，筛选后的波段集合作为序列，进行长短期记忆神经网络计算。5.根据权利要求1所述基于光谱重构的高光谱交叉定标方法，其特征在于，采用反向传播算法更新所述卷积神经网络模型参数，计算原始矩阵和使用所述卷积神经网络模型重建...

【专利技术属性】
技术研发人员：赵恩宇，高彩霞，屈年鑫，段四波，王玉磊，
申请(专利权)人：中国科学院空天信息创新研究院中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：