[发明专利]一种基于机器学习算法的有监督假彩色图像合成方法

权利要求书

1.一种基于机器学习算法的有监督假彩色图像合成方法，其特征在于，包括如下步骤：

步骤一、对带二分类标签的n通道多光谱/高光谱图像进行数据处理得到具有二分类标签的特征向量；所述二分类标签用于目标分割，n为大于2的整数；

步骤二、将具有二分类标签的特征向量作为进行训练数据对XGBoost模型进行训练，XGBoost模型训练完成后，根据训练过程计算各个通道的对提取目标的重要性排序及权重；

步骤三、选取重要性排名在前的3个通道，根据所述3个通道中每个通道的权重进行像素值的缩放得到3个像素值调整后的通道图像，将3个像素值调整后的通道图像合成得到假彩色图像；

所述步骤一具体过程为：将n通道的多光谱/高光谱图像根据其通道数量n转换为n幅Mbit图，所述多光谱/高光谱图像带有目标分割标签，多光谱/高光谱图像的像素为w×h，按照像素位置读取每幅M bit图中各个像素位置对应的像素值，则每个像素位置获得一个维度为1×n的特征向量，将多光谱/高光谱图像转存为w×h个维度为1×n的特征向量，其中，w×h表示多光谱/高光谱图像的像素，w和h均为正整数，M为大于0小于255的整数；

将多光谱/高光谱图像对应的目标分割标签按照像素位置重新分配，使得目标分割标签与w×h个维度为1×n的特征向量进行一一对应，得到w×h个具有二分类标签的特征向量；

在所述XGBoost模型训练完成后，通过统计各特征向量在训练过程中被用于构建决策树的次数，能够计算得到各个特征向量的重要性排序及各个特征向量的权重，依据各特征向量权重能够获得各个通道的光谱图像对提取目标的重要性排序及权重。

2.如权利要求1所述的一种基于机器学习算法的有监督假彩色图像合成方法，其特征在于，所述二分类标签包括编码0和编码1，编码0表示像素位置位于目标外部，编码1表示像素位置位于目标内部。

3.如权利要求1所述的一种基于机器学习算法的有监督假彩色图像合成方法，其特征在于，所述步骤三中3个像素值调整后的通道图像作为R通道、G通道、B通道输入进行假彩色图像的合成。

4.如权利要求1所述的一种基于机器学习算法的有监督假彩色图像合成方法，其特征在于，所述XGBoost模型训练中的分类树模型采用CART算法、ID3算法或C4.5算法。