[发明专利]高光谱图像分类方法、装置、电子设备及存储介质

说明书

本发明公开了一种高光谱图像分类方法、装置、电子设备及存储介质，通过提取到的高光谱图像的像元建立对应的三阶局部空谱张量，利用类张量分解算法对该三阶局部空谱张量进行分解，得到像元光谱分量和像元空间分量，利用卷积网络分别对像元光谱分量和像元空间分量卷积，提取到对应的光谱特征矢量和空间特征矢量，并对光谱特征矢量和空间特征矢量进行级联，得到高光谱图像的空谱特征，基于空谱特征对高光谱图像进行分类。通过上述方法的实施，采用了类张量分解算法对高光谱图像进行了空间和光谱两个维度的特征分析，有效地去除了高光谱图像的像元中存在的冗余信息，提高了后续空谱特征提取的效率，从而提升了对高光谱图像的分类准确率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种高光谱图像分类方法、装置、电子设备及存储介质。

背景技术

高光谱图像不仅包含了反映地物形态特征的空间结构信息，而且包含了反映地物类别属性和状态属性的光谱结构信息，由于其具有上述的特性，使得其在农业科学、地球科学以及军事等领域得到了广泛的应用。然而，由于高光谱图像的拍摄区域复杂以及野外测绘的危险性，获取大量的高光谱图像标记样本需要耗费许多的人力和物资，而标记样本的不足则使得现有的深度学习算法在高光谱图像上的应用受到了很大的限制。

针对上述的问题，采用了小样本学习算法可以在一定程度上提升了应用，但是现有的小样本学习算法在高光谱图像中的应用，都是简单地直接提取高光谱像元的三维局部邻域上的空谱特征，缺乏对像元原始的空间和光谱维度上的表达进行分析和预处理的数学模型，导致提取的像元中存在较多的冗余信息，使得最后的分类准确率较低。

发明内容

本发明的主要目的在于解决现有技术中对高光谱图像的分类精准率较低的技术问题。

本发明第一方面提供了一种高光谱图像分类方法，所述高光谱图像分类方法包括：

提取高光谱图像的高光谱像元，并建立所述高光谱像元的三阶局部空谱张量；

基于预设的类张量分解算法，对所述三阶局部空谱张量进行类张量分解，得到像元光谱分量和像元空间分量；

利用卷积网络分别对所述像元光谱分量和像元空间分量进行卷积计算，提取得到表示光谱信息的光谱特征矢量和表示空间信息的空间特征矢量，并对各像元的空间特征矢量和光谱特征矢量进行级联，得到所述高光谱图像的空谱特征；

根据所述空谱特征对所述高光谱图像进行分类。

可选的，在本发明第一方面的第一种实现方式中，所述建立所述高光谱像元的三阶局部空谱张量包括：

提取所述高光谱像元的空间信息和光谱域信息；

利用张量数据模型，基于所述空间信息和光谱域信息对所述高光谱像元进行数学建模，得到三阶局部空谱张量。

可选的，在本发明第一方面的第二种实现方式中，所述基于预设的类张量分解算法，对所述三阶局部空谱张量进行类张量分解，得到像元光谱分量和像元空间分量包括：

利用张量的类模n乘法，对所述三阶局部空谱张量进行张量的分解，得到至少两个一维局部张量和至少两个二维局部张量；

利用张量的联合概率分布函数，根据所述至少两个一维局部张量和至少两个二维局部张量分别计算出像元光谱分量和像元空间分量。

可选的，在本发明第一方面的第三种实现方式中，所述利用张量的联合概率分布函数，根据所述至少两个一维局部张量和至少两个二维局部张量分别计算出像元光谱分量和像元空间分量包括：

确定所述至少两个一维局部张量中的一维局部中心空谱张量以及所述至少两个一维局部张量中的一维局部邻域空谱张量；

基于张量的联合概率分布函数，计算所述一维局部中心空谱张量和所述一维局部邻域空谱张量的第一联合概率分布值；