一种双路高光谱影像光谱特征提取方法技术

本发明专利技术公开了一种双路高光谱影像光谱特征提取方法，属于遥感图像处理领域。所述方法包括：获取待分类像素点局部邻域的高光谱数据块；对所述高光谱数据块进行波段非局部化操作从而得到处理后的高光谱数据块；构建双支路高光谱影像光谱特征提取网络分来别对处理前后的高光谱数据块进行光谱特征提取；融合两条支路提取到的光谱特征。采用本发明专利技术，能够实现使用有限大小的卷积核实现对高维光谱特征中近距离相邻波段间以及远距离非相邻波段间相关特征的同时提取和利用。特征的同时提取和利用。特征的同时提取和利用。

【技术实现步骤摘要】
一种双路高光谱影像光谱特征提取方法


[0001]本专利技术涉及遥感图像处理
，特别涉及一种双路高光谱影像光谱特征提取方法。

技术介绍

[0002]遥感图像处理技术以其灵活性高、再现性好等优点在生产、生活中发挥着日益重要的作用。高光谱图像处理技术是该领域的重要分支，在众多高光谱图像处理技术中，高光谱图像分类技术一直是研究重点和热点之一。利用高光谱图像分类技术，可获取农作物分布与生长情况，从而达到有效的、科学的农业管理；可对城市房屋、路面等进行准确识别与分类，从而为城市规划等方面提供帮助。
[0003]高光谱遥感影像的有效利用离不开对其特征的提取，如何高效地提取高光谱影像的光谱特征是目前高光谱影像特征提取的重要研究话题。其中，目前对于光谱特征的提取方法主要有1D卷积、LSTM以及RNN等。但是由于高光谱影像不同于传统图像数据具有较高的光谱维度(上百维)，这使得使用有限大小的卷积核难以实现对这一高维数据的全局化考虑。简单来说，现有的方法只实现了局部相邻波段间干系特征的提取而忽视了非相邻远距离波段间特征的提取。

技术实现思路

[0004]专利技术目的：为了克服现有高光谱影像中光谱特征提取技术中存在的不足，提供一种双路高光谱影像光谱特征提取方法，其能够有效解决在现有高光谱图像光谱特征提取不充分的缺点，并且因此提高后续任务的性能。
[0005]技术方案：为实现上述目的，本专利技术提供一种双路高光谱影像光谱特征提取方法，包括如下步骤：
[0006]S1：获取待分类像素点局部邻域的高光谱数据块；
[0007]S2：对所述高光谱数据块进行波段非局部化操作从而得到处理后的高光谱数据块；
[0008]S3：构建双支路高光谱影像光谱特征提取网络来分别对处理前后的高光谱数据块进行光谱特征提取；
[0009]S4：将两条支路提取到的光谱特征进行拼接融合。
[0010]进一步地，在步骤S1中获取待分类像素点局部邻域的高光谱数据块的方法为：
[0011]A1：将原始高光谱数据以每个待分类像素点为中心，获取立方体邻域块集A＝{α1，α2，...，α
n
}，其中其中W
×
W表示邻域块空间大小，B表示波段数。
[0012]7、进一步地，步骤S2中对所述高光谱数据块进行波段非局部化操作从而得到处理后的高光谱数据块的方法包括：
[0013]B1：将得到的立方体邻域块α
i
中的第j个波段与第B
‑
j+1个波段沿光谱维方向相拼接。
[0014]进一步地，所述步骤S2中得到处理后的高光谱数据块，用公式描述为：
[0015][0016]其中，[]表拼接操作，α
′
i
表示光谱波段非局部化后的高光谱数据邻域块。
[0017]进一步地，所述步骤S3中构建双路高光谱影像光谱特征提取网络来分别对处理前后的高光谱数据块进行光谱特征提取，具体构建以及特征提取方法如下：
[0018]C1：使用结构为1
×1×
n的3D卷积核来构建卷积神经网络实现对光谱特征的提取；
[0019]C2：两条支路采用相同的网络结构分别对处理前的邻域块和波段非局部化之后的邻域块进行特征光谱特征提取；
[0020]C3：两条支路分别得到近距离波段间关系特征F1和远距离波段间关系特征F2。
[0021]进一步地，所述步骤S4中将两条支路提取到的光谱特征进行拼接融合，具体融合方法用公式表示为：
[0022]F＝[F1，F2][0023]其中F表示融合后的特征。
附图说明
[0024]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1为本专利技术实例提供的方法流程示意图；
[0026]图2为本专利技术实例提供的光谱特征提取网络结构示意图；
[0027]图3为本专利技术仿真实验中Pavia University高光谱遥感影像数据图；
[0028]图4为本专利技术仿真实验Pavia University高光谱遥感影像数据的伪彩色标记图；
[0029]图5为本专利技术仿真实验的Pavia University高光谱遥感影像数据的不使用本专利技术的分类结果图；
[0030]图6为本专利技术仿真实验的Pavia University高光谱遥感影像数据的通过基于近距离波段间和远距离波段间光谱波段间关系特征提取的分类结果图；
具体实施方式
[0031]下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0032]如图1所示，本专利技术提供一种双路高光谱影像光谱特征提取方法，包括如下步骤：
[0033]S1：获取待分类像素点局部邻域的高光谱数据块；
[0034]S2：对所述高光谱数据块进行波段非局部化操作从而得到处理后的高光谱数据块；
[0035]S3：构建双支路高光谱影像光谱特征提取网络来分别对处理前后的高光谱数据块进行光谱特征提取；
[0036]S4：将两条支路提取到的光谱特征进行拼接融合。
[0037]本实施例中步骤S1中获取待分类像素点局部邻域的高光谱数据块的方法为：
[0038]A1：将原始高光谱数据以每个待分类像素点为中心，获取立方体邻域块集A＝{α1，α2，...，α
n
}，其中其中W
×
W表示邻域块空间大小，B表示波段数。
[0039]本实施例中步骤S2中得到处理后的高光谱数据块，用公式描述为：
[0040][0041]其中，[]表拼接操作，α
′
i
表示光谱波段非局部化后的高光谱数据邻域块。
[0042]本实施例中步骤S3中构建双路高光谱影像光谱特征提取网络来分别对处理前后的高光谱数据块进行光谱特征提取，具体构建以及特征提取方法如下：
[0043]C1：使用结构为1
×1×
n的3D卷积核来构建卷积神经网络实现对光谱特征的提取；
[0044]C2：两条支路采用相同的网络结构分别对处理前的邻域块和波段非局部化之后的邻域块进行特征光谱特征提取；
[0045]C3：两条支路分别得到近距离波段间关系特征F1和远距离波段间关系特征F2。
[0046]本实施例中步骤S4中将两条支路提取到的光谱特征进行拼接融合，具体融合方法用公式表示为：
[0047]F＝[F1，F2][0048]其中F表示融合后的特征。
[0049]基于上述方案，为了验证本专利技术方法的效果，通过构建一个双路光谱特征提取网络以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双路高光谱影像光谱特征提取方法，其特征在于，包括如下步骤：S1：获取待分类像素点局部邻域的高光谱数据块；S2：对所述高光谱数据块进行波段非局部化操作从而得到处理后的高光谱数据块；S3：构建双支路高光谱影像光谱特征提取网络来分别对处理前后的高光谱数据块进行光谱特征提取；S4：将两条支路提取到的光谱特征进行拼接融合。2.根据权利要求1所述的一种高光谱影像光谱特征提取方法，其特征在于，所述步骤S1中获取待分类像素点局部邻域的高光谱数据块的方法为：A1：将原始高光谱数据以每个待分类像素点为中心，获取立方体邻域块集A＝{α1，α2，...，α
n
}，其中其中W
×
W表示邻域块空间大小，B表示波段数。3.根据权利要求1所述的一种高光谱影像光谱特征提取方法，其特征在于，所述步骤S2中对所述高光谱数据块进行波段非局部化操作从而得到处理后的高光谱数据块的方法包括：B1：将得到的立方体邻域块α
i
中的第j个波段与第B
‑
j+...

【专利技术属性】
技术研发人员：高红民，陈忠昊，张怡彤，
申请(专利权)人：河海大学，
类型：发明
国别省市：