【技术实现步骤摘要】
本专利技术涉及高光谱遥感图像处理，具体而言，涉及一种基于多模态融合的深海高光谱图像目标识别方法。
技术介绍
1、随着能源结构的变革和电动汽车的普及，全球对锰、铜、镍和钴等金属的需求日益增加。深海底部，存在着富含这些金属的锰结核资源，其储量远超陆地资源。这些锰结核富含镍、钴、锰和铜等用于新能源电池的金属元素，具有巨大的商业开发潜力，并广泛应用于现代社会的各个领域。因此，对深海锰结核高光谱图像的准确识别对于实现高效的深海矿区矿床的探测至关重要。
2、目前，针对洋底资源的算法研究主要采用有监督的识别方法，这些方法需要大量准确标记像素的训练集。然而，获取这些训练集通常耗时、耗力、昂贵且效率低下，限制了高光谱遥感技术的应用。因此，发展无监督的地物识别理论和方法势在必行，以克服与标记样本和先验知识相关的限制。此外，目前基于无监督的方法大多只考虑相邻波段之间的相关性，而忽略了全局信息并且大多数方法将某一波段视为一个整体，并将其重塑为一个特征向量，而没有充分利用对象的不同反射特性。
技术实现思路
1、本专利技术针对现有技术的不足，提出了一种基于多模态融合的深海高光谱图像目标识别方法，本专利技术将深海高光谱数据进行超像素分割，得到多个子空间，然后通过多模态融合方法，提取出高光谱数据最优特征，充分考虑了反射特征物体的空间信息与光谱信息，有效提高了模型能力。最后为了减少对噪声和异常值的敏感度，引入了鲁棒性因子，通过鲁棒可能性模糊聚类算法，完成对深海高光谱图像中锰结核矿石的识别。
3、步骤1.获取深海高光谱数据集，并进行预处理。
4、对深海高光谱数据集预处理，去除数据中噪声干扰最严重的波段，对预处理后的数据集用x∈rw×h×b表示，其中w代表高光谱图像的宽度，h代表高光谱图像的高度，b代表高光谱的波段数量。
5、步骤2.对预处理后的数据集x进行基于熵率的超像素分割，以获得均质的子空间。
6、2.1.主成分分析法获得第一主成分
7、首先，通过主成分分析法对数据集x∈rw×h×b进行处理，得到第一主成分p。主成分分析法可以提取数据集中最具代表性的特征，从中选择第一主成分来表示数据的变化方向。
8、2.2.初始分割和计算内部像素的信息熵
9、接下来，基于第一主成分p的高光谱图像，将其进行初始分割，得到初始的n个超像素块pn。对于每个超像素块，计算其内部像素的信息熵hn，信息熵用于衡量超像素区域内像素值的不确定性，计算公式如下：
10、hn＝-∑p(xn)*log2(p(xn))
11、其中p(x)是超像素区域中x值出现的概率。
12、2.3.合并具有最小信息熵的相邻超像素区域并迭代直到收敛
13、在这一步骤中，根据信息熵hn的大小，不断合并具有最小信息熵的相邻超像素区域。通过合并具有相似像素值分布的超像素区域，可以获得更均质的分割结果。迭代这个过程，直到前后信息熵之差小于阈值，达到收敛条件。
14、通过以上步骤，可以得到需要的均质超像素分割结果，其中每个超像素块对应一个高光谱数据的子空间xn。
15、步骤3.计算每个子空间上不同波段的高光谱图像之间的相似性，以构建相似图s。
16、3.1.子空间样本的表示
17、根据步骤2的超像素分割结果，将分割结果映射到初始的高光谱数据，得到了n个子空间样本。每个子空间样本表示了一个超像素块的高光谱图像数据。
18、3.2.相似图的计算
19、对于每个子空间样本，计算不同波段的高光谱图像之间的相似性，以构建相似图。假设第i个波段中第p个超像素的光谱值和第j个波段中第p个超像素的光谱值分别为和则第p个相似图可以通过以下公式计算：
20、
21、其中是的k个p-nearest集合，σ是一个尺度函数通常等于1，e为自然对数。
22、通过以上步骤，可以计算得到n个相似图，每个相似图表示了一个子空间样本在不同波段上的相似性。
23、步骤4.基于优化问题，通过多模态融合特征选择，更新相似图。
24、4.1.调整节点的重要性
25、为了调整在优化问题中节点的重要性，引入对角矩阵d。d的第i个对角元素dii表示波段i与其他波段之间的相似性值之和，即
26、其中sij表示第i个波段与第j个波段的相似图。
27、4.2.优化问题的目标函数
28、为了减少相似图中可能存在的不准确值，通过求解以下优化问题来获得新的相似图s′：
29、
30、其中，第一项是一致性项，用于保持同质区域的相似性关系。第二项是拟合项，主要是为了避免更新后的相似度图与初始相似度图差距过大。μ是一个正则化参数，用于平衡目标函数中两个项的重要性；spq表示第p个超像素与第q个超像素的相似图，s′ip表示更新后第i个波段的第p个超像素的相似图。
31、4.3.多模态融合策略
32、在融合过程中，考虑到在高光谱图像的某个波段中，具有相似光谱值或较接近的空间位置的超像素更有可能代表相同的物体。因此，引入超像素之间的相似性权重指标ωpq，用于衡量第p个超像素与第q个超像素之间的相似性权重，计算公式如下：
33、
34、其中，xp和xq是高光谱图像的第一主成分中对应超像素的特征向量，cp和cq是超像素的中心像素位置，σsv和σsc是控制光谱和空间敏感性的参数。
35、相似图通过以下多模态策略来更新：
36、
37、其中α是一个平衡参数，用于控制更新的图和其初始状态之间的平衡，t表示迭代次数，sp表示第p个相似图，n表示相似图的个数。
38、通过迭代优化问题，进一步增强相似性关系，并获得更准确的相似度图；最终经过t次迭代生成一个统一图，即最终的相似图s′，公式如下：
39、
40、步骤5.由鲁棒可能性模糊聚类算法，进行降维和分类，完成目标识别。
41、5.1.子集的选择
42、通过步骤4，得到了最终的相似图s′。对s′进行谱聚类，得到k个高光谱波段的子集。每个子集代表着一组具有相似光谱特性的波段。
43、5.2.代表性波段的选择
44、在每个子集中，计算每个波段与子集中心之间的距离，并选择距离最近的波段作为该子集的代表性波段。子集中心可以通过计算子集中波段特征向量的平均值来确定；通过选择代表性波段，得到最终的高光谱数据x′。
45、5.3.鲁棒可能性模糊聚类算法
46、在鲁棒可能性模糊聚类算法中，首先随机选择一些数据点作为初始聚类中心，并为每个数据点分配初始的可能性值。
47、为了减少噪声干扰，引入鲁棒因子在可能性函数中计算数据点x大概率属于类别c的可能性值：
4本文档来自技高网...
【技术保护点】
1.基于多模态融合的深海高光谱图像目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多模态融合的深海高光谱图像目标识别方法，其特征在于，步骤2具体过程为：
3.根据权利要求2所述的基于多模态融合的深海高光谱图像目标识别方法，其特征在于，步骤3具体过程为：
4.根据权利要求3所述的基于多模态融合的深海高光谱图像目标识别方法，其特征在于，步骤4具体过程为：
5.根据权利要求4所述的基于多模态融合的深海高光谱图像目标识别方法，其特征在于，步骤5具体过程为：
【技术特征摘要】
1.基于多模态融合的深海高光谱图像目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多模态融合的深海高光谱图像目标识别方法，其特征在于，步骤2具体过程为：
3.根据权利要求2所述的基于多模态融合的深海高光谱图像目标识别...
【专利技术属性】
技术研发人员：楼钦，谢振宇，郭栋梁，张启忠，高发荣，
申请(专利权)人：杭州电子科技大学，
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。