[发明专利]多尺度CNN特征嵌入的多核学习高光谱图像分类方法

说明书

本申请涉及一种多尺度CNN特征嵌入的多核学习高光谱图像分类方法。该方法包括：将原始高光谱图像进行超像素分割，获得L个超像素分割图，对原始高光谱图像进行光谱核提取，获得原始高光谱图像的光谱核；采用加权平均滤波对L个超像素分割图进行特征提取，获得超像素间的空间核；利用多尺度CNN对原始高光谱图像进行处理，获得不同尺度下的深度空间核；将光谱核、超像素间的空间核和深度空间核重塑为一维列向量，获得多个一维列向量，并重构为二维矩阵；对二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核；将最优核作为支持向量机的核函数对原始高光谱图像进行分类，获得分类结果。能够快速有效的获得检测结果。

技术领域

本申请涉及高光谱图像分类技术领域，特别是涉及一种多尺度CNN特征嵌入的多核学习高光谱图像分类方法。

背景技术

随着光谱技术的飞速进步，高光谱图像在遥感领域的应用越来越广泛，在农学、地质学、环境学、军事等领域都有广阔的发展前景。由于高光谱图像具有“图谱合一”、维度高、数据信息冗余的特点，对高光谱图像的分类仍有较大的挑战。目前基于传统机器学习和深度学习的高光谱图像分类方法取得了不错的进展，但是应用于矿物识别、农作物精细分类、国防军事目标检测等领域时，检测效率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高在应用于矿物识别、农作物精细分类、国防军事目标检测等领域时的检测效率的多尺度CNN特征嵌入的多核学习高光谱图像分类方法。

一种多尺度CNN特征嵌入的多核学习高光谱图像分类方法，其特征在于，所述方法包括：

将原始高光谱图像进行超像素分割，获得L个超像素分割图，所述超像素分割图带有超像素索引；

对所述原始高光谱图像进行光谱核提取，获得所述原始高光谱图像的光谱核；

采用加权平均滤波对L个所述超像素分割图进行特征提取，获得超像素间的空间核；

利用多尺度CNN对所述原始高光谱图像进行处理，获得不同尺度下的深度空间核；

将所述光谱核、所述超像素间的空间核和所述深度空间核重塑为一维列向量，获得多个一维列向量，并将多个一维列向量重构为二维矩阵；

对所述二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核；

将所述最优核作为支持向量机的核函数对所述原始高光谱图像进行分类，获得分类结果。

在其中一个实施例中，所述将原始高光谱图像进行超像素分割，获得L个超像素分割图，所述超像素分割图带有超像素索引的步骤，包括：

将原始高光谱图像进行PCA处理，生成PCA变换后的特征图像；

从所述PCA变换后的特征图像中选择出前三个主成分特征图像，并设定超像素的个数L；

根据所述超像素的个数L，在所述主成分特征图像上采用熵率超像素算法生成L个带有超像素索引的超像素分割图。

在其中一个实施例中，所述对所述原始高光谱图像进行光谱核提取，获得所述原始高光谱图像的光谱核的步骤，包括:

将所述原始高光谱图像输入到径向基函数核中进行光谱核提取，获得所述原始高光谱图像的光谱核；

所述径向基函数核为：

K(x_i,x_j)＝exp(-||x_i-x_j||²/2σ²)