基于深度学习的水下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

本发明专利技术涉及一种基于深度学习的水下高光谱图像分类方法、装置、计算机设备及存储介质。所述方法包括：获取水下高光谱图像并进行图像预处理，得到第一水下高光谱图像；根据水下数据信息，通过IOP模型、RTE模型模拟光传播结果，并结合第一水下高光谱图像，通过GAN模型重建水下高光谱图像，得到第二水下高光谱图像；分别将第一水下高光谱图像、第二水下高光谱图像处理成图像数据集输入至添加SE模块的非对称残差网络中进行模型训练，得到水下高光谱图像分类模型，从而进行水下高光谱图像分类。使用IOP模型、RTE模型结合GAN模型重建高质量图像，通过添加SE模块的非对称残差网络进一步提取和优化图像中的特征，能够提升水下高光谱图像分类的准确性。

【技术实现步骤摘要】

本专利技术涉及图像分类，特别是涉及一种基于深度学习的水下高光谱图像分类方法、装置、计算机设备及存储介质。

技术介绍

1、水下环境是一个复杂而重要的研究领域，对于海洋科学、水质监测、水生物保护等方面都具有重要意义。在水下环境中进行高光谱分类是一项关键任务，它可以帮助我们更好地理解水体中的物理、化学和生物过程，并提供有关水下环境状态的关键信息。水下高光谱分类技术可以利用光谱数据的丰富信息来识别和分析水下物体、水质参数和生态系统特征。通过准确分类和识别水下目标，可以实现对水下环境的监测、评估和管理，进而改善海洋资源的保护和利用，以及应对环境变化的挑战。目前，水下高光谱分类的方法主要包括基于光谱反射率的方法、基于特征提取与机器学习的方法和基于光学物理模型的方法。光谱反射率法通过测量目标物体在不同波长下的光谱反射率来进行分类，通过比较目标物体的光谱特征与参考库中已知物体的光谱特征，可以对目标进行分类识别；特征提取和机器学习方法通过从水下高光谱数据中提取有效的特征，并利用机器学习算法进行分类，常用的特征提取方法包括主成分分析(pca)、线性判别分析(lda)等；机器学本文档来自技高网...

【技术保护点】

1.一种基于深度学习的水下高光谱图像分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度学习的水下高光谱图像分类方法，其特征在于，所述对所述水下高光谱图像进行图像预处理，得到第一水下高光谱图像，包括：

3.根据权利要求1所述的基于深度学习的水下高光谱图像分类方法，其特征在于，根据所述水下数据信息，通过IOP模型、RTE模型模拟光传播结果，并结合所述第一水下高光谱图像，通过GAN模型重建水下高光谱图像，得到第二水下高光谱图像，包括：

4.根据权利要求3所述的基于深度学习的水下高光谱图像分类方法，其特征在于，使用IOP模型基于所述水下数据...

【技术特征摘要】

1.一种基于深度学习的水下高光谱图像分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度学习的水下高光谱图像分类方法，其特征在于，所述对所述水下高光谱图像进行图像预处理，得到第一水下高光谱图像，包括：

3.根据权利要求1所述的基于深度学习的水下高光谱图像分类方法，其特征在于，根据所述水下数据信息，通过iop模型、rte模型模拟光传播结果，并结合所述第一水下高光谱图像，通过gan模型重建水下高光谱图像，得到第二水下高光谱图像，包括：

4.根据权利要求3所述的基于深度学习的水下高光谱图像分类方法，其特征在于，使用iop模型基于所述水下数据信息估计水体的散射、吸收和反射特性，计算出水体的固有光学性质参数，包括：

5.根据权利要求3所述的基于深度学习的水下高光谱图像分类方法，其特征在于，所述将水体的固有光学性质参数输入至rte模型中，模拟光在水中的传播路径和强度分布，包括：

6.根据权利要求1所...

【专利技术属性】
技术研发人员：沈义俊，李文庆，李萌，杜燕连，刘虎，周健一，张炜峰，冉倩，全嘉鑫，张瑞永，刘悦凡，袁广，
申请(专利权)人：海南大学，
类型：发明
国别省市：