[发明专利]一种高光谱影像分类方法及装置

说明书

本发明提供了一种高光谱影像分类方法及装置，属于遥感图像处理与应用技术领域。该方法包括：对待分类高光谱影像进行预处理，使其空间大小和光谱段数均符合空间特征提取单元的输入要求；空间特征提取单元包括n个依次连接的卷积层，n≥2；将预处理后的高光谱影像输入到已训练好的空间特征提取单元，将各卷积层输出图像的空间大小统一为待分类高光谱影像的空间大小，再对空间大小统一后的各卷积层输出图像进行拼接得到待分类高光谱影像的空间特征图；将空间特征图与待分类高光谱影像进行拼接，得到待分类高光谱影像的空‑谱特征图；将空‑谱特征图输入到已训练好的分类模型，得到待分类高光谱影像的分类结果。本发明能提高高光谱影像的分类精度。

技术领域

本发明涉及一种高光谱影像分类方法及装置，属于遥感图像处理与应用技术领域。

背景技术

高光谱影像分类目前已经被广泛用于环境监测、精细农业、矿产勘查等领域。其中，特征提取是高光谱影像分类任务中的重要步骤，特征提取结果的好坏直接决定了分类结果的好坏。

传统的高光谱影像分类方法依赖于人工设计特征提取规则才能够取得较为理想的分类结果。常用的特征提取方法包括：拓展形态学属性剖面、Gabor特征、局部二制模式等。这些人工设计的特征提取规则结合支持向量机等分类器虽然能够取得较高的分类精度，但它们大多数需要针对不同的高光谱影像设置不同的参数。

近年来，深度学习方法也逐渐被用于高光谱影像特征提取与分类，例如以堆栈式自编码器为基础的特征提取方法、三维卷积神经网络分类方法。这些深度学习方法大多依赖大量的训练数据，同时训练时间较长，且仍然需要针对不同的高光谱影像设计不同的参数。

综上，上述方法在实际应用中均需要针对不同的高光谱影像根据专家经验设置不同的参数，且分类精度有待进一步提高。

发明内容

本发明的目的在于提供一种高光谱影像分类方法及装置，用以解决现有高光谱影像分类方法分类精度较低的问题。

为实现上述目的，本发明提供了一种高光谱影像分类方法，该方法包括以下步骤：

对待分类高光谱影像进行预处理，使其空间大小和光谱段数均符合空间特征提取单元的输入要求，得到预处理后的高光谱影像；所述空间特征提取单元包括n个依次连接的卷积层，n≥2；

将所述预处理后的高光谱影像输入到已训练好的空间特征提取单元，得到各卷积层的输出图像，然后将各卷积层输出图像的空间大小统一为待分类高光谱影像的空间大小，再对空间大小统一后的各卷积层输出图像进行拼接得到待分类高光谱影像的空间特征图；

将所述空间特征图与待分类高光谱影像进行拼接，得到待分类高光谱影像的空-谱特征图；

将所述空-谱特征图输入到已训练好的分类模型，得到待分类高光谱影像的分类结果。

本发明还提供了一种高光谱影像分类装置，该装置包括处理器和存储器，所述处理器执行由所述存储器存储的计算机程序，以实现上述的高光谱影像分类方法。

本发明的高光谱影像分类方法及装置的有益效果是：首先，本发明的空间特征提取单元中各卷积层依次连接，且空间特征图由空间大小统一后的各卷积层输出图像进行拼接得到，能够提取整幅待分类高光谱影像的全局空间特征，由于全局空间特征比局部空间特征包含了更加抽象的语义信息，因此与现有高光谱影像分类方法大多直接提取像素级特征进行分类相比，本发明能够获得更高的分类精度；其次，本发明将空间特征图与待分类高光谱影像(即光谱特征)进行拼接得到空-谱特征图，基于待分类高光谱影像的空-谱特征进行分类，充分考虑了空间领域对最终分类结果的影响，能够进一步提高分类精度。

进一步地，在上述高光谱影像分类方法及装置中，所述空间特征提取单元中各卷积层不完全相同。