【技术实现步骤摘要】
本专利技术涉及图像信息处理和目标识别领域，具体地讲，涉及一种基于可见光和高光谱图像信息融合的目标识别方法。
技术介绍
1、高光谱传感器具有较高的光谱分辨率特性，高光谱图像能够很好地反映不同材料的特性，被广泛应用于遥感、农业和水资源控制、地质勘探、艺术保护和考古学及医学诊断等领域。高光谱图像的光谱波段丰富，光谱分辨率高，但空间分辨率相对较低，这使得其无法提供精细的材料纹理特征，限制了其在图像识别、分类、分割中的进一步应用。可见光图像虽然光谱波段数量有限，光谱分辨率较低，但在空间分辨率方面有优势。因此将高光谱图像与同一场景下获取的可见光图像进行融合，设计一种基于可见光和高光谱图像信息融合的目标识别方法具有重要意义。
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于可见光和高光谱图像信息融合的目标识别方法，提高目标识别准确率。
2、本专利技术采用如下技术方案实现专利技术目的：
3、一种基于可见光和高光谱图像信息融合的目标识别方法，其特征在于，包括以下步骤：
4、s1：利用多源相机采集图像，对多源图像进行配准，创建多源图像训练测试数据库；
5、s2：构建并训练高光谱图像特征提取的异构深度学习网络模型；
6、s3：构建并训练可见光图像特征提取的深度学习网络模型；
7、s4：构建隶属度加权算法，融合高光谱图像和可见光图像深层特征信息，创建基于隶属度加权多源特征融合分类方法。
8、作为本技术方案的进一步
9、s11：基于可见光相机和高光谱相机获取图像，可见光相机获取可见光图像，可见光光源包括：白光、紫光、红光等；高光谱相机获取高光谱图像；利用标志点进行可见光图像和高光谱图像的图像配准；
10、可见光相机可采用三棱镜彩色线阵相机。
11、在不同光照强度、光照角度、光照距离等因素下，采集可见光图像，建立可见光图像数据库；采集高光谱图像，建立高光谱图像数据库；
12、以高光谱图像为基准，基于标志点的配准方法，实现可见光图像和高光谱图像的配准，计算可见光图像的变换矩阵，通过变换后的可见光图像中的目标与高光谱图像中的同一目标在空间位置上保持一致；
13、s12：基于高光谱图像数据库和可见光图像数据库建立深度学习所需的训练数据集和测试数据集，将数据集分为正样本和负样本，正样本为包含待识别目标的图像块，负样本为不包含待识别目标的图像块，将待识别目标分为可见光目标和高光谱目标两大类，以便计算特征融合的加权系数，突出可见光图像对可见光目标识别的权重，高光谱图像对高光谱目标识别的权重；
14、对配准后的可见光图像和高光谱图像进行切片，形成固定大小的图像块，根据切片形成的图像块建立深度学习所需的训练数据集和测试数据集，数据集分为正样本和负样本，有待识别目标的图像块为正样本，无待识别目标的图像块为负样本，正样本分为可见光目标正样本和高光谱目标正样本。
15、s13：根据高光谱图像的训练数据集和测试数据集，构建高光谱图像特征提取的异构深度学习网络模型框架；根据可见光图像的训练数据集和测试数据集，构建可见光图像特征提取的cnn深度学习网络模型框架；
16、s14：cnn深度学习网络模型提取可见光图像深层特征信息，在训练的过程中，根据可见光目标的类别，计算可见光目标正样本训练集的平均深层特征信息；异构深度学习网络模型提取空-谱融合深层特征信息，在训练的过程中，根据高光谱目标的类别，计算高光谱目标正样本训练集的平均深层特征信息；
17、s15：根据异构深度学习网络模型提取高光谱图像空-谱融合深层特征信息，根据深度学习网络模型提取可见光图像深层特征信息，融合特征信息，基于融合后的特征，对目标进行分类。
18、作为本技术方案的进一步限定，所述s2的具体步骤为：
19、s21：对输入的高光谱图像进行pca降维，减少光谱中存在的冗余信息；
20、针对高光谱图像的光谱数据维度多，数据量大，信息有冗余等特点，对高光谱数据进行预处理和降维。
21、s22：采用两种不同的深度学习框架dnn和cnn分别提取高光谱图像的深度光谱信息和深度空间信息；采用特征级联的方式融合光谱信息和空间信息，形成新的特征；
22、针对高光谱图像特征描述的鲁棒性问题，提出高光谱图像的深层特征提取方法，利用深度学习构建深层网络结构，将样本映射到可分性更好的特征空间。为了合理地利用高光谱图像中的光谱信息和空间信息，解决传统高光谱图像特征提取算法的信息利用不充分问题，本专利技术基于异构深度学习网络的空-谱融合高光谱图像特征提取方法，采用两种不同的深度学习架构dnn和cnn分别提取高光谱图像的深度光谱信息和深度空间信息，采用特征级联的方式融合光谱信息和空间信息，形成新的特征。在充分挖掘高光谱图像光谱信息的同时，融合空间特征。本专利技术采用卷积神经网络（cnn），对可见光图像进行深层特征提取：
23、s23：通过测试集验证深度学习架构的有效性，异构深度学习网络模型框架中mlr分类层前的全连接层即是提取的空-谱融合深层特征，同时利用异构深度学习网络模型框架求取高光谱目标训练集的空-谱融合平均深层特征信息，作为隶属度加权融合特征的权值依据，空-谱融合平均深层特征信息的计算如式1：
24、 （式1）
25、其中：表示第个类别；
26、表示第个类别的第个高光谱目标正样本的空-谱融合深层特征；
27、表示第个类别有个高光谱目标训练样本；
28、表示第个类别的平均深层特征信息。
29、作为本技术方案的进一步限定，所述s22的具体步骤为：
30、s221：通过dnn网络单独训练一个基于高光谱像元光谱信息的分类器，提取光谱特征信息；
31、s222：将高光谱像元邻域区域块输入cnn网络，cnn网络由两层卷积层、一层降采样层、一层全连接层、mlr分类层组成，全连接层即为与第一步光谱特征相对应的深层空间特征；
32、s223：将两种特征进行级联形成新的特征，即创建了一个新的全连接层；
33、s224：通过mlr算法分类，通过softmax函数将分类层结果映射为概率的形式，利用有监督训练，调节整个分类框架。
34、作为本技术方案的进一步限定，所述s3的具体步骤为：
35、s31：为避免不同源特征的不兼容问题，基于标志点计算高光谱图像和可见光图像的变换模型，完成图像配准；
36、s32：基于可见光图像训练数据集，设计cnn深度学习网络模型，模型由1个输入层、3个卷积层、3个池化层、1个全连接层、1个输出层组成，采用relu激活函数计算特征图，最大池化法对特征图进行池化，通过分类器softmax 函数输出分类结果；
37、s33：利用可见光图像的测试数据集对训练完成的cnn深度学习网络模型本文档来自技高网...
【技术保护点】
1.一种基于可见光和高光谱图像信息融合的目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于可见光和高光谱图像信息融合的目标识别方法，其特征在于：所述S1的具体步骤为：
3.根据权利要求2所述的基于可见光和高光谱图像信息融合的目标识别方法，其特征在于：所述S2的具体步骤为：
4.根据权利要求3所述的基于可见光和高光谱图像信息融合的目标识别方法，其特征在于：所述S22的具体步骤为：
5.根据权利要求3所述的基于可见光和高光谱图像信息融合的目标识别方法，其特征在于：所述S3的具体步骤为：
6.根据权利要求4所述的基于可见光和高光谱图像信息融合的目标识别方法，其特征在于：所述S4的具体步骤为：
【技术特征摘要】
1.一种基于可见光和高光谱图像信息融合的目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于可见光和高光谱图像信息融合的目标识别方法，其特征在于：所述s1的具体步骤为：
3.根据权利要求2所述的基于可见光和高光谱图像信息融合的目标识别方法，其特征在于：所述s2的具体步骤为：
4.根...
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。