[发明专利]基于空谱联合网络的可解释高光谱图像分类方法及装置

说明书

本申请公开了一种基于空谱联合网络的可解释高光谱图像分类方法及装置，该方法包括：获取待检测高光谱图像数据；利用SincNet网络提取所述高光谱图像数据的光谱特征，利用DS‑CNN网络提取所述高光谱图像数据的空间特征；将所述光谱特征、所述空间特征进行叠加，并输入全连接层进行特征融合，完成分类。该方法可以解决高光谱图像分类中类内差异大的问题，同时在一定程度上能够满足对可解释性的需求，得到高精确度的高光谱图像分类结果。

技术领域

本申请涉及计算机图像处理技术领域，尤其是涉及一种基于空谱联合网络的可解释高光谱图像分类方法及装置。

背景技术

高光谱遥感图像分类技术是高光谱遥感理论与应用研究的重要环节。它在高光谱图像分析的发挥基础性作用，可以有效的应用于环境检测、城市规划、地质岩矿的识别、植被的精细分类以及军事目标的探测等诸多方法，因此具有重大的研究价值。

目前，流行的深度学习方法已经能够较少的实现高光谱图像分类，但对于类内差异较大的类别容易实现过拟合，导致分类精确度难以进一步提升。

发明内容

有鉴于此，提供了一种基于空谱联合网络的可解释高光谱图像分类方法及装置，用以提高对高光谱图像分类的精确度。

根据第一方面，本申请的实施例提供了一种高光谱图像分类方法，包括：

获取待检测高光谱图像数据；

利用SincNet网络提取所述高光谱图像数据的光谱特征，利用DS-CNN网络提取所述高光谱图像数据的空间特征；

将所述光谱特征、所述空间特征进行叠加，并输入全连接层进行特征融合；以及

将特征融合后的数据进行分类。

结合第一方面，在一种可选的实现方式中，还包括对获得的高光谱图像数据进行第一预处理，所述SincNet网络基于第一预处理后的高光谱图像数据提取所述光谱特征。

进一步地，所述第一预处理包括：对原始高光谱图像进行自动聚类，得到新真值图；SincNet网络基于原始高光谱图像和新真值图提取所述光谱特征。

其中，所述自动聚类选采用基于密度峰值的自动聚类算法。

结合第一方面，在一种可选的实现方式中，还包括对获得的高光谱图像数据进行第二预处理，所述DS-CNN网络基于第一和第二预处理后的高光谱图像数据提取所述空间特征。

进一步地，所述第二预处理包括：对原始高光谱图像数据进行PCA降维，并裁切成图像块；DS-CNN网络基于图像块以及所述第一预处理获得的新真值图提取所述空间特征。

结合第一方面，在一种可选的实现方式中，SincNet网络首层利用sinc函数滤波器作为一维卷积核进行特征提取。

结合第一方面，在一种可选的实现方式中，所述DS-CNN网络采用六层二维卷积层实现图像空间信息提取，第一层为3×3的方形卷积核，第二层和第四层为1×5的横向条形卷积核，第三层和第五层为5×1的纵向条形卷积核，最后一层为2×2的方形卷积核。

根据第二方面，本申请的实施例提供了一种一种高光谱图像分类装置，包括：

图像获取设备，用以采集待检测的高光谱图像；

存储器，该存储器中存储有计算机指令；

处理器，与所述图像获取设备、存储器数据连接，其通过执行所述计算机指令，从而执行如上述技术方案任一项所述的高光谱图像分类方法，对高光谱图像进行自动分类。

根据第三方面，本申请的实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令在被处理器执行时实现如上述技术方案任一项所述的高光谱图像分类方法。