[发明专利]一种基于模型构建的高光谱图像处理方法、设备及介质

说明书

本申请公开了一种基于模型构建的高光谱图像处理方法、设备及介质，用以解决高光谱图像的信息量过大，导致采用模型处理时模型体量较大，计算量较大，耗时较长的问题。该方法采集高光谱图像，进行特征波段提取，得到训练样本集；根据偏最小二乘法和训练样本集，构建处理模型；在构建的过程中，根据对处理模型的累积预测误差平方和求导的结果，确定处理模型中的偏最小二乘因子的数量；采用处理模型，对待处理的高光谱图像进行处理。本方案通过提取高光谱图像的特征波段，并对模型进行优化，能够保证模型稳定性的基础上，提高模型的精准性。

技术领域

本申请涉及图像处理领域，尤其涉及一种基于模型构建的高光谱图像处理方法、设备及介质。

背景技术

高光谱图像包括大量不同波段的光谱，与2D图像相比，高光谱图像能够承载大量的信息量。

目前，在对高光谱图像进行分类、识别、分析等处理时，可通过卷积神经网络模型，对高光谱图像的特征进行学习。但是，基于高光谱图像包含的巨大信息量和复杂性，导致模型的体量较大，计算量较大，耗时较长。

发明内容

本申请实施例提供一种基于模型构建的高光谱图像处理方法、设备及介质，用以解决高光谱图像的信息量过大，导致采用模型处理时模型体量较大，计算量较大，耗时较长的问题。

本申请实施例提供的一种基于模型构建的高光谱图像处理方法，包括：

采集高光谱图像，进行特征波段提取，得到训练样本集；

根据偏最小二乘法和所述训练样本集，构建处理模型；

在所述构建的过程中，根据对所述处理模型的累积预测误差平方和求导的结果，确定所述处理模型中的偏最小二乘因子的数量；

采用所述处理模型，对待处理的高光谱图像进行处理。

在一个示例中，进行特征波段提取，得到训练样本集，具体包括：对所述高光谱图像的各波段进行层次聚类，得到若干簇；从所述若干簇中分别选择一个波段，组成相应的波段组合；采用遗传算法，对组成的所述波段组合进行最优解搜索，得到对应的最优解波段组合，作为特征波段；根据所述特征波段，确定训练样本集。

在一个示例中，得到对应的最优解波段组合之后，所述方法还包括：验证所述最优解波段组合符合以下条件，否则重新确定所述最优解波段组合：所述最优解波段组合中任意两个波段之间的相似性差异不大于预设差值；所述最优解波段组合中任意一个波段的峰度大于该波段所属簇对应的波段峰度的平均值。

在一个示例中，得到对应的最优解波段组合，作为特征波段之后，所述方法还包括：对所述高光谱图像进行相似性检验，确定相似性大于预设相似值的多个高光谱图像；从所述多个高光谱图像中选择一个高光谱图像作为标准图像，确定所述标准图像的特征波段；针对所述多个高光谱图像中的其他高光谱图像，根据该高光谱图像与所述标准图像之间的相似性，对所述标准图像的特征波段进行调整，确定该高光谱图像的特征波段。

在一个示例中，根据偏最小二乘法和所述训练样本集，构建处理模型，具体包括：根据所述训练样本集中特征波段的峰度，将所述特征波段划分为敏感波段和非敏感波段；根据偏最小二乘法和所述训练样本集，构建处理模型；通过所述处理模型，确定所述敏感波段对应的高频分量和增强系数，对训练样本进行增强处理。

在一个示例中，通过所述处理模型，确定所述敏感波段对应的高频分量和增强系数，对训练样本进行增强处理，具体包括：对所述敏感波段进行均值滤波处理，得到对应的低频分量和高频分量；根据所述敏感波段的灰度值平均值和标准差，通过训练好的神经网络模型，确定对应的增强系数；根据所述增强系数，对所述高频分量和所述训练样本进行加权处理，实现对所述训练样本的增强处理。