[发明专利]一种高光谱数据处理方法、设备及介质

说明书

本申请公开了一种高光谱数据处理方法、设备及介质，通过获取待检测物体的高光谱图像集合。根据主成分分析法对高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息。根据第一主成分系信息中的权重系数曲线，确定相应的特征波段。根据主成分分析法对特征波段进行主成分分析，确定第二预设数目的第二主成分信息。将第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据。根据样本数据进行神经网络模型训练及检测，以得到待检测物体对应的训练好的神经网络模型。

技术领域

本申请涉及高光谱技术领域，尤其涉及一种高光谱数据处理方法、设备及介质。

背景技术

随着科技的不断发展，高光谱成像技术受到广泛的应用。高光谱成像的应用范围遍及化学、物理学、生物学、医学等多个领域。目前,高光谱成像在土地利用、农作物生长、分类,病虫害检测,海洋水色测量,城市规划、石油勘探、地芯地貌及军事目标识别等方面都有着很广泛和深远的应用前景。

高光谱图像是集图像信息与光谱信息于一身，具有波段多、蕴含信息丰富、光谱分辨率高等特点，高光谱图像包括的信息可以反映样本的大小、形状、体积等外部特征，这些特点决定了高光谱图像在一些需要进行内外部特征检测的任务中独特优势。然而，高光谱图像中蕴含的丰富信息使得在对高光谱图像进行表示时需要占用很大的数据量，这也使得深度学习模型较为复杂，模型在训练过程和测试过程中速度较慢，并且需要大量的训练样本。

基于此，提供一种高光谱数据处理的技术方案，对高光谱图像进行处理，以使深度学习模型通过较少的处理后的高光谱图像即可完成模型训练及测试，就成为继续解决的技术问题。

发明内容

本说明书实施例提供一种高光谱数据处理及设备、介质，用于解决现有技术中的如下技术问题：在构建高光谱图像相关的神经网络模型时，由于高光谱图像的特殊性，使得构建神经网络模型时需要大量的样本数据，并且训练和测试速度都比较慢。

一种高光谱数据处理方法，所述方法包括：

获取待检测物体的高光谱图像集合；

根据主成分分析法对所述高光谱图像集合中的各高光谱图像进行主成分分析，得到第一预设数目的第一主成分信息；

根据所述第一主成分系信息中的权重系数曲线，确定相应的特征波段；

根据主成分分析法对所述特征波段进行主成分分析，确定第二预设数目的第二主成分信息；

将所述第二主成分信息对应的光谱特征以及相应的高光谱图像，作为样本数据；

根据所述样本数据进行神经网络模型训练及检测，以得到所述待检测物体对应的训练好的神经网络模型。

在一种可能实现的方式中，在获取待检测物体的高光谱图像集合之前，所述方法还包括：

基于用户的输入信息，确定构建神经网络模型的待检测物体；

基于所述待检测物体以及预设的关联关系，从预存数据库中，获取所述待检测物体的原始高光谱图像；

对各所述原始高光谱图像进行目标检测，以得到相应的感兴趣区域；

根据所述感兴趣区域，对相应的原始高光谱图像进行分割，得到感兴趣区域图像；

其中，各所述感兴趣区域图像组成所述待检测物体的高光谱图像集合。

在一种可能实现的方式中，在得到所述待检测物体对应的训练好的神经网络模型之后，所述方法还包括：

接收高光谱图像采集设备发送的初始高光谱图像；

对所述初始高光谱图像进行归一化处理，得到待检测高光谱图像；