[发明专利]高光谱图像的分类方法、装置和电子设备

权利要求书

1.一种高光谱图像的分类方法，其特征在于，包括：

将目标高光谱图像输入至预先训练完成的特征提取网络模型中，输出所述目标高光谱图像的图像特征；

基于所述图像特征，确定所述目标高光谱图像中每个像素点的初始类别；

将所述图像特征输入至预先训练完成的图像重建网络模型中，输出所述图像特征的重建图像；

基于所述重建图像和所述目标高光谱图像，确定所述重建图像中每个像素点的重建损失值；

根据所述重建损失值和所述初始类别，确定所述像素点的最终类别；

基于所述重建图像和所述目标高光谱图像，确定所述重建图像中每个像素点的重建损失值的步骤，包括：

根据所述重建图像和所述目标高光谱图像中每个像素点的数据，利用范数计算所述重建图像中每个像素点的重建损失值；

根据所述重建损失值和所述初始类别，确定所述像素点的最终类别的步骤，包括：

根据所述重建损失值，通过预先建立的所述重建损失值的概率模型，计算所述重建损失值大于预设损失阈值的概率值；

如果所述概率值大于等于预设置信度，确定所述重建损失值对应的像素点的最终类别为未知类；

如果所述概率值小于预设置信度，确定所述重建损失值对应的像素点的最终类别为该像素点初始类别。

2.根据权利要求1所述的方法，其特征在于，所述特征提取网络模型包括依次连接的光谱特征提取网络、特征调整层、空间特征提取网络和池化层；

所述光谱特征提取网络包括依次连接的首层三维卷积层、光谱密集连接卷积子网络、末层三维卷积层、激活函数和归一化函数；

所述空间特征提取网络包括依次连接的首层三维卷积子网络、激活函数、归一化函数、末层三维卷积子网络；其中，所述首层三维卷积子网络包括并联连接的两个三维卷积层；所述末层三维卷积子网络包括依次连接的两个三维卷积层；每个所述三维卷积层的末尾连接有激活函数和归一化函数。

3.根据权利要求1所述的方法，其特征在于，基于所述图像特征，确定所述目标高光谱图像中每个像素点的初始类别的步骤，包括：

将所述图像特征进行降维处理，得到所述图像特征对应的一维数据；将所述一维数据进行加速处理，得到处理结果；

将所述处理结果输入至全连接层，输出所述目标高光谱图像中每个像素点的初始类别的预测值；根据所述预测值确定所述像素点的初始类别。

4.根据权利要求1所述的方法，其特征在于，所述图像重建网络模型包括依次连接的第一特征调整层、首层三维逆卷积层、两个中间三维逆卷积层、第一逆密集连接卷积子网络、特征融合层、末层三维逆卷积层，第二特征调整层；

其中，每个所述三维逆卷积层末尾连接有激活函数和归一化函数；首层三维逆卷积层和第一个中间三维逆卷积层的末尾分别连接有第二逆密集连接卷积子网络和第三逆密集连接卷积子网络；所述逆密集连接卷积子网络的末尾连接有所述三维逆卷积层、激活函数和归一化函数。

5.根据权利要求1所述的方法，其特征在于，所述概率模型包括：

其中，G_ξ,u(v)表示所述概率模型；v表示所述重建损失值；ξ表示形状参数；μ表示比例参数。