[发明专利]基于双路图U-NET卷积网络的溢油高光谱图像检测方法

说明书

本发明公开了一种基于双路图U‑NET卷积网络的溢油高光谱图像检测方法，包括以下步骤：步骤1、对需要检测溢油的高光谱图像的数据进行图结构化，得到光谱图结构信息和空间图结构信息；步骤2、将所述光谱图结构信息和空间图结构信息分别送入双路图U‑NET卷积网络中的一路，分别得到所述高光谱图像的光谱图特征和空间图特征；步骤3、对所述光谱图特征和所述空间图特征进行融合，得到空‑谱图特征；步骤4、将所述空‑谱图特征送入分类器，以得到所述高光谱图像的分类结果。本发明能够将欧式图像数据映射为非欧数据，更有效地表示光谱信息和空间信息，进一步提取到溢油高光谱图像的空‑谱图特征，提高了溢油高光谱图像的检测准确率。

技术领域

本发明涉及图像处理技术领域，具体涉及机器学习和高光谱图像分类技术领域，更具体地，涉及一种基于双路图(Dual Graph)U-NET卷积网络的高光谱图像检测方法，其可用于溢油高光谱图像的检测。

背景技术

高光谱成像是指利用成像光谱仪将各种地物的光谱特性记录下来，对各个波段分别成像，将不同波段的图像形成数据立方体作为高光谱图像。高光谱图像在二维空间信息的基础上增加了光谱信息，每个像素都有一条反射光谱曲线与其对应。高光谱遥感由于其连续的光谱分辨能力和对物质表面特性的鉴别能力，使其具有有效定位和区分海水与油膜的能力。

近年来，基于深度学习的高光谱分类方法展示了巨大潜力。特别是图卷积网络，它为图数据结构的处理提供了一个崭新的思路，将深度学习中常用于图像的卷积神经网络应用到图数据上，通过图卷积网络对高光谱图像进行分类，大大提高了高光谱图像的分类精度。

王刚在论文“基于SVM的高光谱遥感图像海面溢油图像分类方法研究”中实现了基于SVM模型的高光谱溢油分类算法，设计了一种面向多时相数据油污带提取的SVM分类处理流程。然而，在有足够数据量的情况下，基于深度学习的溢油高光谱图像分类算法优于这类传统的机器学习算法。

华南理工大学在其专利申请“一种基于多图结构的图卷积网络的高光谱图像分类方法”(CN111160396A)中提出了一种基于多图结构的图卷积网络的高光谱图像分类方法，高光谱数据重排列得到像素数据矩阵；根据像素数据矩阵，进行强制最近邻连接矩阵及空间近邻连接矩阵的构建；利用图卷积网络分别对强制最近邻连接矩阵及空间近邻权重矩阵和像素数据矩阵进行卷积，得到特征矩阵；特征矩阵进行拼接，使用softmax分类器对像素的特征矩阵进行分类。但没有对图卷积过程中产生的高空间分辨率的局部信息进行充分利用。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于双路图U-NET卷积网络的溢油高光谱图像检测方法，其中建立了溢油高光谱数据的图结构信息，使用图卷积网络从图结构信息中提取光谱和空间图特征进行溢油检测。具体地，分别利用原始图像中的光谱信息与空间物理相邻的信息建立光谱图结构信息和空间图结构信息，之后，分别将光谱图结构信息和空间图结构信息送入一路图U-NET卷积网络，通过U-NET结构获取光谱图特征和空间图特征，接下来将光谱图特征和空间图特征融合，从而得到溢油高光谱图像的空-谱图特征；最后，利用上述空-谱图特征进行溢油高光谱图像检测。

根据本发明的实施例，提供了一种基于双路图U-NET卷积网络的溢油高光谱图像检测方法，包括以下步骤：

步骤1、对需要检测溢油的高光谱图像的数据进行图结构化，得到光谱图结构信息和空间图结构信息，

其中，所述光谱图结构信息包括以下信息：所述高光谱图像中的具有光谱相似性的多个像素的各自的光谱特征；以及所述具有光谱相似性的多个像素彼此之间的光谱相似性，

其中，所述空间图结构信息包括以下信息：所述高光谱图像中的具有空间相似性的多个像素的各自的光谱特征；以及所述具有空间相似性的多个像素彼此之间的光谱相似性；

步骤2、将所述光谱图结构信息和空间图结构信息分别送入双路图U-NET卷积网络中的一路，分别得到所述高光谱图像的光谱图特征和空间图特征；