[发明专利]光谱图像的分类方法和装置、存储介质、电子装置

说明书

本申请公开了一种光谱图像的分类方法和装置、存储介质、电子装置。其中，该方法包括：获取第一光谱图像，其中，所述第一光谱图像是光谱传感器采集到的图像；使用双分支耦合网络对所述第一光谱图像进行降维处理，得到第二光谱图像，其中，所述第二光谱图像的特征维度低于所述第一光谱图像的特征维度；使用卷积神经网络提取所述第二光谱图像的空间特征，并通过所述空间特征得到所述第一光谱图像的分类结果。本申请解决了相关技术中分类准确率较低的技术问题。

技术领域

本申请涉及图像处理领域，具体而言，涉及一种光谱图像的分类方法和装置、存储介质、电子装置。

背景技术

高光谱图像是利用高光谱遥感与高光谱成像光谱仪等技术得到的遥感图像，图1展示了高光谱遥感成像的基本过程，星载光谱成像仪会在沿着轨道飞行时对地表发出不同波段的光谱信号，不同类型的地物对每一个波段的光谱信号的吸收率和反射率都不同，星载光谱成像仪可依据地物对光谱信号的反馈绘制出一副三维的高光谱图像，高光谱图像中的每一个像素点可视为同一类型的地物在不同光谱波段信号下的表现，高光谱图像往往包含上百个光谱波段，所以对于每一个像素点都可绘制出一条连续的光谱曲线，如图1中的土壤、水体、植被等。

高光谱图像分类是高光谱领域的一个重要应用。高光谱图像中的每一个像元对应于一定大小的地面区域，如WorldView-2卫星全色图像的空间分辨率是0.5m，其所获得的影像中的每一个像素对应的实际地面大小即为0.5m*0.5m。高光谱图像分类是指对于图像中每一个像元，通过分析其光谱特性与空间特性得到其所属的地物类别。高光谱图像分类技术已经在日常生活中取得了广泛的应用，在农业生产方面，可以利用高光谱图像分类技术实现对农产品的长势分析及质量把控；对城市高光谱图像分类的研究可以实现城市环境监控；在环境监测等领域，高光谱图像分类可用于检测大气变化；另外，其在国防建设、测绘和军事等许多重要的领域都有着广泛的应用，因此对高光谱图像分类的研究具有重要的意义。

近些年来，将深度学习应用于高光谱图像分类是研究的主要趋势。在使用深度学习解决问题的过程中，通常为了得到理想的分类效果，需要综合利用高光谱数据的空间信息及光谱信息，但过高维度的输入数据会导致神经网络有大量的参数需要学习，增加了学习的复杂度，同时有限数目的训练样本还会带来维数灾难和过拟合的问题。而且，高光谱数据大量的波段信息并不都是有利于分类的，总是会存在一些冗余波段，这些冗余波段信息会带来“同物异谱，异物同谱”的问题，导致分类效果不理想，所以对原始的高光谱数据进行有效的特征提取及降维是十分关键的。

传统的降维算法有很多，无监督的降维算法如主成分分析(Principal ComponentAnalysis，PCA)，局部线性嵌入(Local Linear Embedding，LLE)等，有监督的降维算法如线性判别式分析(Linear Discriminant Analysis，LDA)。PCA方法利用由较大特征值对应的特征向量组成的变换矩阵来实现高维数据到低维数据的变换，是一种线性的降维方式，这种无监督的线性降维方法难以有效解决“同物异谱，异物同谱”问题。LLE方法是一种无监督非线性的降维方法，该方法所学习的流形只能是不闭合的，且样本集需是稠密均匀的，并且其对最近邻样本数的选择敏感，不同的最近邻数对最后的降维结果有很大影响，这为将LLE方法应用于高光谱数据降维带来了一定的限制；另外，在特征提取的过程中，该方法忽略了类别信息，难以得到具有判别性的降维输出。与PCA和LLE方法相比，LDA是一种有监督的降维方法，它求取一个超平面并使得投影到这个超平面上来的同类样本相互靠近，不同类的样本相互远离，从而增大类间差异减小类内差异，LDA利用训练数据的类标信息来求取样本的判别性特征，所以会有比较好的降维效果，但LDA方法要求降维维数不能超过类别总数，这为其应用带来了一些局限性。除了上述传统的降维算法以外，还有一些改进的降维算法，利用改进的局部判别式嵌入方法从原始的高光谱数据中提取低维的光谱特征，通过引入对协方差矩阵的变换，实现了同类地物的光谱特征在特征空间中相互靠近，不同类地物的光谱特征相互分离，从而能够求得可用于分类的判别性特征。但是，算法中训练样本的数目选择依赖于经验参数，并没有一定的准则，这会对求得的投影矩阵产生影响。