一种高光谱图像分类方法、装置、计算机设备及存储介质制造方法及图纸

本申请涉及一种高光谱图像分类方法、装置、计算机设备以及存储介质。包括：将训练集中的训练样本由三维图像转换为二维图像，生成新的训练集；基于新的训练集对多Vi T变体模型进行训练，并在每个epoch结束后，将测试集输入多Vi T变体模型进行测试，得到测试集中每个测试样本的分类结果；对测试集中各个测试样本在每个Vi T变体模型下的所有分类结果进行最多数投票，并将投票数量最多的分类结果作为测试集中该Vi T变体模型下对应测试样本的候选分类结果；通过遗传算法优化每个Vi T变体模型的候选分类结果的最优权重，并重新对测试样本的候选分类结果进行最多数投票，获取最终分类结果。本申请实施例可以减小训练样本与测试样本不独立的情况，提高分类精度。

【技术实现步骤摘要】

本申请属于高光谱图像处理，特别涉及一种高光谱图像分类方法、装置、计算机设备以及存储介质。

技术介绍

1、高光谱图像分类是指对一景高光谱图像实现像素级别的分类，每一个像素的光谱信息是分类的重要依据。高光谱图像的数据处理可以简单分为光谱提取与空谱特征提取处理问题。目前，图像的光谱特征提取因其更强、更清晰的电磁波长作用，更快的获取速度和信噪比等优越条件被社会广泛应用与扩展，而空间信息特征作为重要的研究技术成分，随着机器学习领域的成熟也逐渐备受关注与重视。

2、近年来，随着深度学习领域的繁荣发展，深度学习算法被应用到基于有监督学习的高光谱图像分类中。例如，在提取光谱特征方面，利用一维卷积神经网络(one-dimensional convolutional neural net-work,1d cnn)进行高光谱图像分类，以及利用基于二维卷积神经网络(two-dimensional convolutional neural network,2d cnn)和三维卷积网络(three-dimensional convolutional neural netw本文档来自技高网...

【技术保护点】

1.一种高光谱图像分类方法，其特征在于，包括：

2.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述获取高光谱图像的训练集、验证集和测试集,具体为：

3.根据权利要求2所述的高光谱图像分类方法，其特征在于，所述利用空间打散算法将所述训练集中的训练样本由三维图像转换为二维图像，具体为：

4.根据权利要求1至3任一项所述的高光谱图像分类方法，其特征在于，所述针对每个ViT变体模型，对所述测试集中各个测试样本的所有分类结果进行最多数投票，并将投票数量最多的分类结果作为测试集中对应测试样本的候选分类结果，具体为：

5.根据权利要求4所述的高...

【技术特征摘要】

1.一种高光谱图像分类方法，其特征在于，包括：

2.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述获取高光谱图像的训练集、验证集和测试集,具体为：

3.根据权利要求2所述的高光谱图像分类方法，其特征在于，所述利用空间打散算法将所述训练集中的训练样本由三维图像转换为二维图像，具体为：

4.根据权利要求1至3任一项所述的高光谱图像分类方法，其特征在于，所述针对每个vit变体模型，对所述测试集中各个测试样本的所有分类结果进行最多数投票，并将投票数量最多的分类结果作为测试集中对应测试样本的候选分类结果，具体为：

5.根据权利要求4所述的高光谱图像分类方法，其特征在于，所述通过遗传算法优化每个vit变体模型的候选分类结果的最优权重，并重新对所述测试样本的候选分类结果进行最多数投票，将投票数量最多的分...

【专利技术属性】
技术研发人员：刘军，郭浩然，贺怡乐，王志辉，彭荧荧，李曼，
申请(专利权)人：湖南中医药大学，
类型：发明
国别省市：