【技术实现步骤摘要】
基于高光谱图像的物体检测方法、装置、系统及存储介质
[0001]本专利技术涉及图像处理
，具体而言，涉及一种基于高光谱图像的物体检测方法、装置、系统及存储介质。
技术介绍
[0002]高光谱图像是指在电磁波谱中广泛的波长范围内捕捉物体或场景的图像，随着传感器技术的发展，高光谱图像已经成为众多研究人员关注的关键领域。与传统的彩色图像相比，高光谱图像可以提供更详细和准确的信息。
[0003]现有技术中，常提取高光谱图像中的光谱特征对图像进行分类，例如使用支持向量机或多项逻辑回归利用光谱特征实现图像分类，但是高光谱图像中仍包含丰富的信息，只利用光谱特征对图像进行分类导致分类结果不准确。且现有技术对于高光谱图像的研究及应用主要集中在在图像分类和语义分割上，对于图像中具体的目标或物体，需要在图像分类或语义分割基础上进一步进行检测或分类，费时费力，检测结果准确率也较低。
技术实现思路
[0004]本专利技术解决的问题是如何提高物体检测的精确度。
[0005]为解决上述问题，本专利技术提供了一种基于高...
【技术保护点】
【技术特征摘要】
1.一种基于高光谱图像的物体检测方法，其特征在于，应用于基于高光谱图像的物体检测系统，所述基于高光谱图像的物体检测系统包括信息处理模型和检测模型，所述基于高光谱图像的物体检测方法包括：获取高光谱图像，对所述高光谱图像进行预处理，得到光谱信息和空间信息；利用所述信息处理模型，对所述光谱信息和所述空间信息进行特征提取，得到光谱特征和空间特征，将所述光谱特征和所述空间特征融合，得到共识信息，并根据所述光谱特征、所述空间特征和所述共识信息得到多个空间聚合特征和多个光谱聚合特征，其中，所述信息处理模型以样本光谱信息、样本空间信息、样本光谱聚合特征和样本空间聚合特征为数据集训练得到；利用所述检测模型，将多个所述空间聚合特征和多个所述光谱聚合特征融合，得到检测结果，其中，所述检测模型以样本空间聚合特征、样本光谱聚合特征和样本检测结果为数据集训练得到。2.根据权利要求1所述的基于高光谱图像的物体检测方法，其特征在于，所述对所述高光谱图像进行预处理包括：对所述高光谱图像进行主成分分析，得到所述光谱信息；对所述高光谱图像进行波段选择，得到多个波段空间信息，将所述波段空间信息进行聚合，得到所述空间信息。3.根据权利要求2所述的基于高光谱图像的物体检测方法，其特征在于，所述信息处理模型包括特征提取网络和融合模块，所述融合模块包括第一融合模块、第二融合模块和第三融合模块；所述特征提取网络包括进行所述空间特征提取的第一网络、第二网络、第三网络、第四网络和第五网络，按照所述第一网络、所述第二网络、所述第三网络、所述第一融合模块、所述第四网络、所述第二融合模块、所述第五网络、所述第三融合模块的顺序依次连接；所述特征提取网络还包括进行所述光谱特征提取的第六网络、第七网络、第八网络、第九网络和第十网络，按照所述第六网络、所述第七网络、所述第八网络、所述第一融合模块、所述第九网络、所述第二融合模块、所述第十网络、所述第三融合模块的顺序依次连接。4.根据权利要求3所述的基于高光谱图像的物体检测方法，其特征在于，所述利用所述信息处理模型，对所述光谱信息和所述空间信息进行特征提取，得到光谱特征和空间特征，将所述光谱特征和所述空间特征融合，得到共识信息，并根据所述光谱特征、所述空间特征和所述共识信息得到多个空间聚合特征和多个光谱聚合特征包括：将所述空间信息依次输入所述第一网络、所述第二网络、所述第三网络进行特征提取，得到第一空间特征，将所述光谱信息依次输入所述第六网络、所述第七网络、所述第八网络进行特征提取，得到第一光谱特征；利用所述第一融合模块，对所述第一空间特征和所述第一光谱特征进行融合处理和精细化处理，得到第一空间聚合特征和第一光谱聚合特征；将所述第一空间聚合特征输入所述第四网络进行特征提取，得到第二空间特征，将所述第一光谱聚合特征输入所述第九网络进行特征提取，得到第二光谱特征；利用所述第二融合模块，对所述第二空间特征和所述第二光谱特征进行融合处理和精细化处理，得到第二空间聚合特征和第二光谱聚合特征；
将所述第二空间聚合特征输入所述第五网络进行特征提取，得到第三空间特征，将所述第二光谱聚合特征输入所述第十网络进行特征提取，得到第三光谱特征；利用所述第三融合模块，对所述第三空间特征和所述第三光谱特...
【专利技术属性】
技术研发人员：唐厂，何潇，郑晓，李显巨，孙琨，许江峰，
申请(专利权)人：中国地质大学武汉，
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。