【技术实现步骤摘要】
本公开涉及图像识别，具体涉及基于cnn的海雾高光谱遥感图像识别方法。
技术介绍
1、传统特征提取方法，如主成分分析(pca)、线性判别分析(lda)等。这些方法在处理高维数据时可能无法充分捕捉到复杂的光谱特征，导致信息损失；尤其是在处理复杂地物，如海雾高光谱遥感图像时，传统方法通常无法自适应地提取与特定任务相关的特征，可能会忽略一些关键的光谱信息。
2、传统方法在处理高光谱遥感图像时，往往对噪声和冗余信息敏感，可能导致分类结果的不稳定性和准确性下降；且现有方法无法有效区分重要特征和冗余特征，从而影响模型的整体性能。
3、许多传统高光谱遥感图像识别方法在特征提取时，往往只关注光谱信息，而忽视了空间上下文信息的利用；这使得模型在处理具有复杂空间分布的地物时，表现不佳。
4、综上所述，现有的高光谱遥感图像识别方法在特征提取能力、噪声处理、空间上下文利用、等方面存在一定的缺点。这些不足之处限制了现有方法应用在识别海雾高光谱遥感图像时的有效性。
技术实现思路
1、为了解决上述现有技术存在的问题，本公开目的在于提供基于cnn的海雾高光谱遥感图像识别方法，以解决现有技术在识别海雾高光谱遥感图像时的有效性问题。
2、本公开所述的一种基于cnn的海雾高光谱遥感图像识别方法，包括以下步骤：
3、海雾高光谱遥感图像预处理：加载海雾高光谱遥感图像数据和对应的标签数据；所述加载海雾高光谱遥感图像数据包括提取所述海雾高光谱遥感图像数据的特征，获得特征
4、构建数据集：将获得的特征参数与对应的标签数据合并作为样本数据，将所述样本数据划分为训练数据集和测试数据集；
5、训练模型：使用所述训练数据集训练cnn模型，并使用所述测试数据集对cnn模型的分类结果进行测试，直至满足cnn模型的迭代次数或分类精度要求，获得海雾高光谱遥感图像识别模型；
6、获取需要识别的海雾高光谱遥感图像记为目标图像，将所述目标图像输入所述海雾高光谱遥感图像识别模型中，获得所述目标图像的分类结果。
7、优选地，所述的特征参数包括光谱特征和空间特征，所述光谱特征通过如下公式获得：
8、
9、其中，所述ri表示选定波长的反射率值，n表示所述选定波长的样本数量。
10、优选地，所述的选定波长包括：1.4μm、1.9μm以及0.45μm～0.75μm中的至少两个波长。
11、优选地，在所述获得特征参数的过程中引入通道注意力机制，所述通道注意力机制包括如下步骤：
12、计算海雾高光谱遥感图像的全局平均池化和全局最大池化；
13、通过一个全连接层生成通道权重；
14、将通道权重应用于所述海雾高光谱遥感图像；获得第一加权海雾高光谱遥感图像。
15、优选地，在所述获得特征参数的过程中引入通道注意力机制之后还包括：引入空间注意力机制，所述引入空间注意力机制如下步骤：
16、计算所述第一加权海雾高光谱遥感图像的全局平均池化和全局最大池化；
17、通过一个卷积层生成空间权重；
18、将空间权重应用于所述第一加权海雾高光谱遥感图像，获得第二加权海雾高光谱遥感图像。
19、优选地，所述的cnn模型包括按序级联的两层卷积层、两层最大池化层和两层全连接层；
20、其中，两层卷积层分别为第一卷积层和第二卷积层，两层最大池化层包括第一最大池化层和第二最大池化层，在第二最大池化层之后设置两层全连接层，两层全连接层包括第一全连接层和第二全连接层，所述第一全连接层用于将第一卷积层、第二卷积层和最大池化层提取到的高维特征进行整合；所述第二全连接层用于生成分类结果。
21、优选地，所述的第一卷积层的输入通道为1，输出通道为64，卷积核大小为3，填充为1；
22、所述最大池化层的池化窗口大小为2，步幅为2，填充为1；
23、所述第二卷积层的输入通道为64，输出通道为128，卷积核大小为3，填充为1；
24、所述第一全连接层的输入维度为128，输出维度为256；
25、所述第二全连接层的输入维度为256。
26、优选地，所述的第一卷积层和所述第一最大池化层之间、所述第二卷积层和所述第二最大池化层之间均设置有批量归一化层和激活层；所述激活层选用“relu”作为激活函数。
27、本公开还提供一种海雾高光谱遥感图像识别系统，其特征在于，包括：
28、预处理模块，其用于加载海雾高光谱遥感图像数据和对应的标签数据；所述加载海雾高光谱遥感图像数据包括提取所述海雾高光谱遥感图像数据的特征，获得特征参数；在所述获得特征参数的过程中引入注意力机制，所述注意力机制用于提高特征参数的表达能力；
29、数据集构建模块，其用于将获得的特征参数与对应的标签数据合并作为样本数据，将所述样本数据划分为训练数据集和测试数据集；
30、模型训练模块，其用于使用所述训练数据集训练cnn模型，并使用所述测试数据集对cnn模型的分类结果进行测试，直至满足cnn模型的迭代次数或分类精度要求，获得海雾高光谱遥感图像识别模型；
31、识别分类模块，其用于获取需要识别的海雾高光谱遥感图像记为目标图像，将所述目标图像输入所述海雾高光谱遥感图像识别模型中，获得所述目标图像的分类结果。
32、本公开还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于cnn的海雾高光谱遥感图像识别。
33、本公开所述的基于cnn的海雾高光谱遥感图像识别方法，其优点在于：
34、本公开通过在特征提取阶段引入注意力机制，能够动态调整各特征层的权重，增强模型对海雾区域的识别能力。这种机制使得模型能够更加关注于图像中重要的特征，抑制不相关或冗余的信息，减少噪声对特征提取的干扰，进而提升分类的准确性；并且通过关注关键特征，注意力机制能够提高模型的鲁棒性，减少误分类的概率。
35、在引入注意力机制的同时，结合海雾高光谱遥感图像这一特殊场景，综合海雾高光谱遥感图像的纹理特征和光谱特征，充分利用高光谱遥感图像中的丰富信息，通过融合不同类型的特征，模型能够更全面地理解图像内容，从而提高分类精度，增强模型的识别能力。
36、综上所述，本公开通过综合纹理特征与光谱特征并将纹理特征和光谱特征通过注意力机制加入至模型的特征提取步骤中，使得该方法在复杂的海雾区域识别任务中具有明显的优势，能够为海雾高光谱遥感图像识别提供更为精准和可靠的解决方案。
本文档来自技高网...【技术保护点】
1.基于CNN的海雾高光谱遥感图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于CNN的海雾高光谱遥感图像识别方法，其特征在于，所述特征参数包括光谱特征和空间特征，所述光谱特征通过如下公式获得：
3.根据权利要求2所述基于CNN的海雾高光谱遥感图像识别方法，其特征在于，所述选定波长包括：1.4μm、1.9μm以及0.45μm～0.75μm中的至少两个波长。
4.根据权利要求2所述基于CNN的海雾高光谱遥感图像识别方法，其特征在于，在所述获得特征参数的过程中引入通道注意力机制，所述通道注意力机制包括如下步骤：
5.根据权利要求4所述基于CNN的海雾高光谱遥感图像识别方法，其特征在于，在所述获得特征参数的过程中引入通道注意力机制之后还包括：引入空间注意力机制，所述引入空间注意力机制包括如下步骤：
6.根据权利要求1所述基于CNN的海雾高光谱遥感图像识别方法，其特征在于，所述CNN模型包括按序级联的两层卷积层、两层最大池化层和两层全连接层；
7.根据权利要求6所述基于CNN的海雾高光谱遥感图像识别
8.根据权利要求6所述基于CNN的海雾高光谱遥感图像识别方法，其特征在于，所述第一卷积层的输入通道为1，输出通道为64，卷积核大小为3，填充为1；
9.一种海雾高光谱遥感图像识别系统，其特征在于，包括：
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～8中任一所述的基于CNN的海雾高光谱遥感图像识别。
...【技术特征摘要】
1.基于cnn的海雾高光谱遥感图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于cnn的海雾高光谱遥感图像识别方法，其特征在于，所述特征参数包括光谱特征和空间特征，所述光谱特征通过如下公式获得：
3.根据权利要求2所述基于cnn的海雾高光谱遥感图像识别方法，其特征在于，所述选定波长包括：1.4μm、1.9μm以及0.45μm～0.75μm中的至少两个波长。
4.根据权利要求2所述基于cnn的海雾高光谱遥感图像识别方法，其特征在于，在所述获得特征参数的过程中引入通道注意力机制，所述通道注意力机制包括如下步骤：
5.根据权利要求4所述基于cnn的海雾高光谱遥感图像识别方法，其特征在于，在所述获得特征参数的过程中引入通道注意力机制之后还包括：引入空间注意力机制，所述引入空间注意力机制包括如下步骤：
6...
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。