[发明专利]基于光谱分割与同质区域检测的高光谱图像地物分类方法

说明书

本发明公开了一种基于光谱分割与同质区域检测的高光谱图像地物分类方法，其实现步骤为：构建同质区域检测模块、特征提取子网络簇、特征融合模块；构建高光谱分类模型；生成训练集；训练高光谱分类模型；对待分类的像素进行地物分类。本发明构建同质区域检测模块用于修正输入高光谱图像块，使用光谱分割策略对修正的图像块沿光谱维度分割，构建并训练多个并行的特征提取子网络，进行特征融合并得到分类结果，具有高光谱图像分类精度高的优点，可用于农业生态监测，地质探测等领域的地物目标识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于光谱分割与同质区域检测的高光谱图像地物分类方法。本发明可用于土地利用分析、环境检测、资源勘探以及城市规划时对地物目标的识别。

背景技术

高光谱遥感是高光谱分辨率遥感的简称，是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄、光谱连续影像数据的技术。高光谱成像遥感已经广泛应用于地质探测、地质制图、植被生态监测、精细农业、大气环境、环境监测、海洋遥感、食品安全、产品质量监测、战场侦察、伪装监测等多个领域。

高光谱图像分类就是将高光谱图像中的每个像元划归到指定类别中去的过程。由于高光谱图像所特有的丰富的光谱信息，使得这种像元级别的分类成为可能。目前已有许多高光谱图像分类的算法，如基于支撑矢量机，多类逻辑斯蒂回归等传统的分类算法与基于卷积神经网络等深度学习算法，都取得了不错的分类效果。然而，高光谱图像较高的光谱维度与较少的训练样本容易造成模型的过拟合从而降低模型的性能，此即著名的Hughes现象。因此，在进行分类之前，一些文献会首先对图像光谱进行特征提取或者维度约简，以降低高光谱图像的光谱维度。特征提取算法中较经典的是PCA算法，但是这种无监督的方法可能会丢失光谱中重要判别信息而降低最终的分类精度。

Zilong Zhong等人在其发表的论文“Spectral–Spatial Residual Network forHyperspectral Image Classification:A 3-D Deep Learning Framework”(《IEEETransactions on GeoscienceRemote Sensing》,2018,56(2):847-858)中公开了一种光谱-空间残差网络对高光谱图像进行分类的方法。该方法的输入为目标像素与其周围的邻域组成的图像块。首先使用3-D卷积层构建的两个残差块提取输入的光谱信息。然后在输出光谱特征图的基础上，使用2-D卷积层构建两个残差块，提取特征图的空间信息。最后将得到的最终特征输入softmax并进行地物分类。此方法取得了较好的地物分类结果，然而该方法仍然存在的不足之处是，对于空间信息的提取并未考虑输入图像块中的异质像素，而图像块中的异质像素将干扰卷积核对目标像素的特征提取，进而降低了最终的地物分类精度。

西安电子科技大学在其申请专利文献“基于深度特征交叉融合的高光谱图像分类方法”(专利申请号：202010007701.3，申请公布号：CN 111191736 A)中提出了一种深度特征交叉融合的高光谱图像分类方法。该方法使用3-D卷积构建了多个并行的包含不同空间分辨率的卷积网络，并行网络在层间进行特征的交叉融合，并行网络的输出同样进行特征的交叉融合。最后，使用融合的特征进行地物的分类。该方法存在的不足之处是，由于该方法使用的是由3-D卷积构建多个并行的卷积网络提取高光谱图像的光谱与空间特征，因而带来卷积网络巨大的计算量，导致模型训练和分类速度慢。

发明内容

本发明的目的是针对上述现有技术的不足，提出了一种基于光谱分割和同质区域检测的高光谱图像地物分类方法，用于解决现有技术中对高光谱图像异质像素考虑不足，分类精度不高，模型计算量大，分类速度慢的问题。