[发明专利]一种应用于深度学习的近地高光谱数据扩展方法

权利要求书

1.一种应用于深度学习的近地高光谱数据扩展方法，其特征在于包括以下步骤：

步骤一：原始数据获取

采用现有技术获取近地高光谱数据以及为了后续深度学习所需的其他匹配信息数据；

步骤二：光照模拟和噪声添加

对步骤一得到的近地高光谱原始数据进行光谱模拟，具体可以采用光照扰动和添加噪声两种方法，从而扩展近地高光谱的数据量；

步骤二具体是：

2.1光照模拟

2.1.1近地高光谱原始数据包含有N条光谱，每条光谱含有K个波段，计算每条光谱的光谱均值；

其中，Mean(n)为第n条光谱的光谱均值，K为波段总数，R_nk为第n条光谱中波长k的反射率；

2.1.2每条光谱除以相对应的光谱均值获取归一化后的光谱；

其中，Norm(n)为第n条光谱归一化后的光谱，R_n为第n条光谱；

2.1.3令第2.1.1步中获取的光谱均值Mean(n)乘以r1获取得到新的光谱均值；

NewMean(n)＝Mean(n)*r1

其中NewMean(n)为样本n的新光谱均值，r1为表示光照模拟添加的扰动程度；

2.1.4将第2.1.2步归一化后的光谱乘以相对应步骤2.1.3获取的新光谱均值得到光照模拟后的光谱数据；

Simn(n)＝Norm(n)*NewMean(n)

其中，Simn(n)为由原始数据样本n模拟后的新光谱；

光照模拟后的光谱数据Simn＝{Simn(1)，...，Simn(n)...，Simn(N)}；

2.2噪声模拟

2.2.1步骤1中的近地高光谱原始数据含有L种类别光谱，每类光谱含有N_l条光谱，计算每种类别光谱下每个波长反射率的标准差，并求均值作为每个波长的噪声基准；

其中，为第l类别中波长k处的标准差，σ(k)为波长k处的噪声基准，L为光谱总类别数，N_l为第l类光谱样本总数，R_kln为波长k第l类中样本n的光谱反射率，X_kl为波长k第l类中所有样本的光谱均值；

2.2.2以噪声基准乘以r2获取波长k处初始随机噪声；

Stdn(k)＝r2*σ(k)

其中，Stdn(k)为波长k处的初始随机噪声，r2用于将噪声基准转换为初始随机噪声；

2.2.3第2.2.2步中获取的初始随机噪声乘以噪声等级m得到噪声模拟数据；

Simk(k)＝m*Stdn(k)

其中，Simk(k)为模拟后波长k处需要叠加的噪声数据，m为噪声等级；

噪声模拟后的噪声数据Simk＝{Simk(1)，...，Simk(k)...，Simk(K)}；

步骤三：叠加噪声和光谱扰动

根据光谱光照扰动范围等级u以及添加的噪声等级m的不同，如果光谱光照扰动的范围存在U组数据，在此基础上每个组加入M个级别的噪声模拟数据，此时可以获得原始数据的M*U倍数据量，从而实现高光谱数据量的扩展。

2.如权利要求1所述的一种应用于深度学习的近地高光谱数据扩展方法，其特征在于步骤2.1.3中r1是(1-u)～(1+u)的随机实数，u表示光谱扰动范围等级。

3.如权利要求1所述的一种应用于深度学习的近地高光谱数据扩展方法，其特征在于步骤2.1.3中u＜0.25。

4.如权利要求1所述的一种应用于深度学习的近地高光谱数据扩展方法，其特征在于步骤2.2.2中r2为-0.5～0.5之间的随机实数。

5.如权利要求1所述的一种应用于深度学习的近地高光谱数据扩展方法，其特征在于步骤2.2.3中m＜2。