[发明专利]高光谱图像的分类方法、装置和电子设备

说明书

本发明提供了一种高光谱图像的分类方法、装置和电子设备，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，输出目标高光谱图像的图像特征；基于图像特征，确定目标高光谱图像中每个像素点的初始类别；将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；根据重建损失值和初始类别，确定像素点的最终类别。该方式中，对提取的图像特征进行重建使其尽可能恢复目标高光谱图像的特征，得到重建图像，根据重建图像和目标高光谱图像，能够确定未知类的像素点，提高了分类结果的准确性。

技术领域

本发明涉及高光谱图像的分类识别技术领域，尤其是涉及一种高光谱图像的分类方法、装置和电子设备。

背景技术

高光谱图像是具有丰富的光谱信息和空间信息的三维光立方体，可视为三维图像，在普通二维图像之外多了一维光谱信息；高光谱图像的分类是指从高光谱图像数据中提取光谱信息或空间信息对图像中每个像素进行分类。相关技术中，通常是基于像素点都是完整的已知类别，并且每一个像素点都可以用现有的标记值去进行标记分类的高光谱图像进行分类，但是，由于高光谱图像覆盖区域大，通常情况下现有的标记值不可能去囊括图像中的所有类别，其中必然存在没有经过标记的类别(未知类)。现有的分类方法中未知类通常会被分配给目前已知的类别标记值，导致已知类别的估计面积变大，降低分类结果的准确性。

发明内容

有鉴于此，本发明的目的在于提供一种高光谱图像的分类方法、装置和电子设备，可以识别目标高光谱图像中未知类的像素点，提高分类结果的准确性。

本发明实施例提供了一种高光谱图像的分类方法，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，输出目标高光谱图像的图像特征；基于图像特征，确定目标高光谱图像中每个像素点的初始类别；将图像特征输入至预先训练完成的图像重建网络模型中，输出图像特征的重建图像；基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值；根据重建损失值和初始类别，确定像素点的最终类别。

进一步的，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；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；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，首层三维卷积子网络包括并联连接的两个三维卷积层；末层三维卷积子网络包括依次连接的两个三维卷积层；每个三维卷积层的末尾连接有激活函数和归一化函数。

进一步的，基于图像特征，确定目标高光谱图像中每个像素点的初始类别的步骤，包括：将图像特征进行降维处理，得到图像特征对应的一维数据；将一维数据进行加速处理，得到处理结果；将处理结果输入至全连接层，输出目标高光谱图像中每个像素点的初始类别的预测值；根据预测值确定像素点的初始类别。

进一步的，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；逆密集连接卷积子网络的末尾连接有三维逆卷积层、激活函数和归一化函数。

进一步的，基于重建图像和目标高光谱图像，确定重建图像中每个像素点的重建损失值的步骤，包括：根据重建图像和目标高光谱图像中每个像素点的数据，利用范数计算重建图像中每个像素点的重建损失值。

进一步的，根据重建损失值和初始类别，确定像素点的最终类别的步骤，包括：根据重建损失值，通过预先建立的重建损失值的概率模型，计算重建损失值大于预设损失阈值的概率值；如果概率值大于等于预设置信度，确定重建损失值对应的像素点的最终类别为未知类；如果概率值小于预设置信度，确定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。