[发明专利]一种多尺度空间融合高光谱土壤重金属污染识别评价方法

说明书

本发明属于图像处理技术领域，具体涉及一种多尺度空间融合高光谱土壤重金属污染识别评价方法。包括以下步骤：步骤一：将尺寸为m×n×q的原始高光谱图像使用主成分分析法降维得到尺寸大小的高光谱图像，其中p为光谱维度，q为通道维度，m、n为空间维度；步骤二：以降维后的高光谱图像作为输入数据，利用3层卷积层且每层的卷积核尺寸为3*3，提取输入数据浅层特征。由具有注意力机制多尺度空间融合级联结构充分使用缺失信息的光谱信息提取输入数据的特征，提高方法对HSI的分类效果，适用于不同的数据。

技术领域

本发明属于图像处理技术领域，具体涉及一种多尺度空间融合高 光谱土壤重金属污染识别评价方法。

背景技术

高光谱遥感技术起源于20世纪末，将光谱信息和空间信息结合 在一起，高光谱遥感又称成像光谱遥感，是将成像技术和光谱技术相 结合的多维信息获取技术(Goetz A,Vane G,Solomon J,et al.Imaging Spectrometry for EarthRemote Sensing[J].Science,1985, 228(4704):1147-1153.)。高光谱图像涵盖信息丰富，广泛应用于农业、环境监测、生物医学成像等各个领域。由于高光谱图像具有高维度特 点并且数据之间存在冗余，直接对高光谱图像进行分类，容易引起 Hughes现象。在训练数据中存在小样本的情况下，提高HSI分类精 度成为研究难点。

根据提取HSI数据特征的方式不同，将其分类方法划分为两类： 光谱分类方法和光谱空间分类方法。由于HSI存在部分样本数量少的 问题，早期基于光谱分类方法中SVM的应用HSI分类具有明显的优 势。随着深度学习的发展与应用，出现了以栈式自动编码器(Chen Y, Lin Z,Zhao X,et al.Deep Learning-Based Classification ofHyperspectral Data[J].IEEE Journal of Selected Topics in Applied EarthObservationsRemote Sensing,2017,7(6):2094-2107.)、深度置信网 (FenghuaHuang,ChaoXu,Zhangzhi Zhu.Change Detection of Hyperspectral Remote Sensing ImagesBased on Deep Belief Network[J]. International Journal of Earth Sciences andEngineering,2016,9(5).)、卷积 神经网络(Chen Y,Jiang H,Li C,et al.Deep FeatureExtraction and Classification of Hyperspectral Images Based on ConvolutionalNeural Networks[J].IEEE Transactions on GeoenceRemote Sensing,2016, 54(10):6232-6251.)、循环神经网络(Mou L,Ghamisi P,Zhu X X.Deep Recurrent NeuralNetworks for Hyperspectral Image Classification[J]. IEEE Transactions onGeoenceRemote Sensing,2017:3639-3655.)等 及其变种对HSI提取特征并进行分类。

CNN可以在输入数据的不同层次提取特征，显著提高了HSI分 类精度。为避免人工神经网络出现休斯现象，多数的研究者通过PCA 对HSI进行降维，然后将数据输入到分类模型中提取光谱和空间特征 进行预测。高光谱图像存在同物异谱和异物同谱的现象，为了避免此 现象越来越多的人将光谱信息和空间信息融合作为分类依据，随之出 现了3DCNN和DCCNN。