[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

说明书

本发明公开一种应用于深度学习的近地高光谱数据扩展方法。本发明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；对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；最后通过对原始数据先增加一系列一定范围内的光谱扰动，再基于这些数据添加基于原始数据获取的噪声。本发明中创新性的采用光照扰动和噪声添加两步对近地原始高光谱数据进行了光谱模拟，实现了近地高光谱数据的扩充，有效的增加了光谱数据量，可以有效的提高近地高光谱数据在深度学习应用中的模型精度，从而为深度学习在近地高光谱中的应用提供理论基础。

技术领域

本发明属于将深度学习应用于近地高光谱数据技术领域，具体涉及一种对高光谱数据量进行扩展，以便于满足深度学习中对于样本量较大的需求，使得深度学习基于高光谱数据进行物质监测的方法。

背景技术

近地高光谱数据在植物学、矿物学等方面的应用越来越重要，将近地高光谱数据应用于物质分类和环境监测中的应用需求越来越广泛。目前，利用这些数据建立模型进行的一系列应用一般是基于光谱匹配和传统机器学习算法建立分类模型，例如支持向量机(SVM)等方法，但是遇到应用需求和监测场景愈加复杂的问题时，传统的机器学习算法分类精度会随之下降。随着近几年深度学习技术的快速发展，将深度学习应用到高光谱数据的实际应用中是一种比较好的提升监测精度的方法。但是遥感数据由于其数据获取成本高，获取方法较复杂等问题，目前利用深度学习进行近地高光谱数据应用时数据量难以达到深度学习的要求。在以往研究中，深度学习应用于近地高光谱遥感时，研究者通常直接使用原始数据进行模型训练，这种情况不能完全发挥深度学习在植物分类和状态监测方面的潜力，或者通过旋转，转换，扭曲图像等一系列方式进行数据扩展从而满足深度学习对数据量的要求，但是这些方法一般都是基于成像高光谱数据来进行，针对近地高光谱数据的数据扩展方法尚未有人提出。

本发明提出一种对近地高光谱数据进行扩展的方法对于基于深度学习的高光谱数据应用十分重要。在近地高光谱数据的采集中，通常会受到光照、天气以及仪器本身的干扰，获得的光谱数据存在误差或漂移。因此，本发明通过模拟数据采集中真实存在的上述光谱数据误差或漂移来增加近地高光谱数据量，具体可以采用以下两种方法，模拟不同光照下的光谱扰动和添加随机噪声。

发明内容

本发明的目的是针对现有技术的不足，提供一种应用于深度学习的近地高光谱数据扩展的方法。

本发明方法包括以下步骤：

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。

本发明可以采用ASD FieldSpec等光谱仪，采用严格规范的方法进行近地高光谱测定，获取测定物质的光谱和匹配的信息。例如用于植物分类和状态监测，匹配信息至少应该包括植物的类别、植物生长状态等。

步骤二：光照模拟和噪声添加

为了便于将获取的高光谱数据应用于深度学习中去，对步骤一获得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。结合实际采集光谱情况和光谱本身性质，首先通过光照扰动对近地高光谱原始数据进行光照模拟，在此基础上，再加入基于原始光谱的随机噪声。进行光照模拟时，主要是针对每条光谱，主要是样本维度的变化；添加噪声进行模拟时，则是基于波段维度，在波段维度的变化。

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；