一种基于光谱相关性的轻量化高光谱图像分类方法技术

本发明专利技术公开了一种基于光谱相关性的轻量化高光谱图像分类方法，本发明专利技术的步骤是：输入高光谱图像；根据标注文件提取样本制作训练数据集和测试数据集；对每一张高光谱图像进行归一化处理；搭建基于光谱特征的神经网络模型；训练基于光谱特征的神经网络模型；对测试数据集进行分类；本发明专利技术引入了针对光谱维特性轻量的神经网络，增强模型的表征能力，降低了运算复杂度，提升了分类效果

【技术实现步骤摘要】
一种基于光谱相关性的轻量化高光谱图像分类方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于光谱相关性的轻量化高光谱图像分类方法
。

技术介绍

[0002]高光谱图像包含丰富的光谱信息和空间信息，它可以被用于高光谱图像分析领域的多项任务，如图像分割
、
物体识别和异常检测
。
高光谱图像分类是高光谱图像的重要基础研究之一，是对高光谱图像进行深度分析的重要手段
。
高光谱图像分类的方法是一般可以分为两大类：一类是基于人工特征提取的传统方法，此类方法例如支持向量机
、
决策树
、
最小距离分类
、
最大似然分类
、
波谱角分类
、
混合距离法分类等；另一类是基于自动特征提取的神经网络方法，此类方法主要以卷积神经网络为代表，具有较强的提取特征的能力
。
[0003]Bor
‑
Chen Kuo
等提出了一种基于核的特征选择方法，并将此方法用于基于径向基函数
...

【技术保护点】

【技术特征摘要】
1.
一种基于光谱相关性的轻量化高光谱图像分类方法，其特征在于，其包括以下步骤：步骤
1、
首先输入高光谱图像；步骤
2、
根据标注文件提取样本制作训练数据集和测试数据集；步骤
3、
对每一张高光谱图像进行归一化和形态转化处理；步骤
4、
搭建基于光谱特征的轻量化的神经网络模型；步骤
5、
训练基于光谱特征的轻量化的神经网络模型；步骤
6、
对测试数据集进行分类；所述步骤4中神经网络模型包括1个输入模块，3个光谱特征提取模块，3个光谱维池化模块，以及1个分类模块
。2.
根据权利要求1所述的一种基于光谱相关性的轻量化高光谱图像分类方法，其特征在于，所述步骤1具体为：所获取的高光谱数据为由高光谱相机采集得到的高光谱图像数据，选取高光谱图像中能量最强的三个波段进行合成得到伪彩图，其余的光谱通道图像不变，人工对合成的伪彩图进行标注，所获得的图像均裁剪为
32
×
32
×
n_bands
的数据块，其中
n_bands
为高光谱图像的通道数
。3.
根据权利要求2所述的一种基于光谱相关性的轻量化高光谱图像分类方法，其特征在于，所述步骤2具体为：根据标注的分类信息，提取不同类别的高光谱图像，分别组成训练数据集和测试数据集
。4.
根据权利要求1所述的一种基于光谱相关性的轻量化高光谱图像分类方法，其特征在于，所述步骤3具体为：对步骤2所得到的训练数据集和测试数据集进行归一化处理，使得所有数据中的数值归一至
[0,1]
范围内；对归一化后的数据进行形态尺寸转换，由
row*col*n_bands*n_sample,
转换为
N*n_bands*n_samples
其中
N
＝
row*col。5.
根据权利要求4所述的一种基于光谱相关性的轻量化高光谱图像分类方法，其特征在于，所述步骤3中所用的归一化公式为：其中
X(i
，
j)
是位于当前图像
X
第
i
行第
j
列像素的值，
Min(X)
为图像
X
里的最小像素值，
Max(X)
为图像
X
里的最大像素值
。6.
根据权利要求1所述的一种基于光谱相关性的轻量化高光谱图像分类方法，其特征在于，所述步骤4，具体为：
a、
搭建输入模块，并输入归一化处理后的高光谱数据；
b、
搭建第一光谱特征提取模块
,
对输入高光谱数据进行第一次光谱特...

【专利技术属性】
技术研发人员：孙泊远，
申请(专利权)人：南通智能感知研究院，
类型：发明
国别省市：