[发明专利]一种高光谱处理方法及波段选择方法

说明书

本发明涉及一种高光谱处理方法及波段选择方法。使用第一训练数据集对高光谱分类模型进行训练，第一训练数据集为全波段高光谱训练数据集，将第一训练数据集中的每个训练样本输入训练完毕的所述高光谱分类模型，通过高光谱分类模型获取用于波段选择的第二训练数据集，将第二训练数据集输入波段选择模型进行训练，波段选择模型输出选择出的波段序号集合，根据选择出的波段序号集合从第一训练数据集中提取对应的波段，形成第三训练数据集，使用第三训练数据集对高光谱分类模型进行训练。该方法可以实现高光谱波段选择的目的，且这种方法选出的波段有利于与上述高光谱分类模型匹配，且最终得到的高光谱分类模型在应用时，精度又可以得到有效保证。

技术领域

本发明涉及高光谱处理领域，特别是涉及高光谱处理方法及波段选择方法。

背景技术

高光谱成像是在光谱维度上将给定的波长区间分割为窄密的波段进行成像的光学检测技术，将每个窄波段获得的影像信息在光谱维度上进行展开，可以极大地提升信息量。相较于多光谱成像仅切分出若干宽波段用于光谱检测，高光谱成像产生的波段数量可以达到上百甚至上千，从而有更高的光谱分辨率去获得更特异的光谱细节，因此即使成本较高，在防御和监控、食品安全、医学诊断、地质勘探、农业检测、药物筛选等领域依然有着广泛的应用案例。

高光谱数据叠加了空间维度和光谱维度的信息，在空间维度上取决于扫描模式，可以是二维图像（如采用高光谱快照模式对地表区域遥感成像并进行分类）或离散点（如采用高光谱推扫模式对奶粉样品进行光谱数据采集来检测化学添加物）。由于光谱维度上各窄波段反映的都是相同目标对象的光谱特性，彼此间不可避免地存在信息的重叠和冗余，因而需要确定波段间的相关性并尽可能地去冗余，以此实现降低光谱数据采集成本、改善采集效率等目的。这一问题在高光谱技术领域内称为高光谱波段选择，是高光谱检测分类应用中的一个核心任务。

以往解决高光谱波段选择问题的方法常见以排名算法（Ranking-based）、搜索算法（Searching-based）和聚类算法（Clustering-based）为基础。基于排名的波段选择方法对每个波段的重要性进行量化，对重要性大小排序选取前若干个波段，该类方法的困难在于通过量化指标选择出的波段可能彼此依旧存在较大的重叠、信息冗余度高；基于搜索的波段选择方法，由于搜索空间大小与原始波段数量呈2的指数级关系，计算代价大是其面临的主要难题；而基于聚类的波段选择方法依赖初始聚类中心的选择且由于是无监督方法难以保证选出的特征波段真正适用匹配下游分类任务。

发明内容

基于此，提供一种高光谱处理方法。该处理方法可进行波段选择和获得高光谱分类模型，且选出的波段与高光谱分类模型匹配度高。

一种高光谱处理方法，包括：

使用第一训练数据集对高光谱分类模型进行训练，所述第一训练数据集为全波段高光谱训练数据集，

将第一训练数据集中的每个训练样本输入训练完毕的所述高光谱分类模型，通过所述高光谱分类模型获取用于波段选择的第二训练数据集，将第二训练数据集输入波段选择模型进行训练，所述波段选择模型输出选择出的波段序号集合，

根据选择出的波段序号集合从第一训练数据集中提取对应的波段，形成第三训练数据集，

使用第三训练数据集对所述高光谱分类模型进行训练。

上述处理方法将高光谱波段选择和高光谱分类进行协同关联建模，高光谱波段选择取决于原始全波段数据的分类训练结果，而挑选出的高光谱波段则用于对相同的高光谱分类模型进行训练，这样一方面可以实现高光谱波段选择的目的，以此实现降低光谱数据采集成本、改善采集效率等，另一方面，这种方法选出的波段有利于与上述高光谱分类模型匹配，且最终得到的高光谱分类模型在应用时，精度又可以得到有效保证。

在其中一个实施例中，所述全波段高光谱训练数据集为一维全波段高光谱训练数据集。