高光谱图像分类方法及其装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111144502A(43)申请公布日2020.05.12(21)申请号201911393009.2(22)申请日2019.12.30(71)申请人中国科学院长春光学精密机械与物理研究所地址130033吉林省长春市经济技术开发区东南湖大路3888号(72)发明人谭鑫宁鸿章许亮李耀彬焦庆斌李文昊李宇航许玉兴邹宇博杨琳(74)专利代理机构深圳市科进知识产权代理事务所(普通合伙)44316代理人曹卫良(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书4页附图3页(54)发明名称高光谱图像分类方法及其装置(57)摘要本发明涉及高光谱图像分类技术领域，特别涉及一种高光谱图像分类方法及其装置，其方法采用SPA算法，可以有效去除高光谱图像的相关性，仅保留若干特征波长的图像数据进行高光谱图像处理，可有效提高高光谱图像处理速度。同时构建了一种基于连续投影算法与MaskRCNN架构的高光谱图像分类系统，本系统通过神经网络的进行对特征波段图像的分类识别，识别速度快、精度高。采用该方法的装置也具有相同的技术效果。CN111144502ACN111144502A权利要求书1/2页1.一种高光谱图像分类方法，其特征在于，所述方法包括下述步骤：S1.使用SPA算法对高光谱图像进行特征波段图像提取；S2.将所述特征波段图像进行掩膜标定；S3.将所述特征波段图像输入MaskRCNN神经网络，完成对高光谱图像的像素级识别分类。2.如权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：S11.利用标准反射率板对高光谱图像进行反射率反演；S12.利用TSG滤波算法对高光谱图像进行空谱维滤波；S13.利用SPA算法，获取高光谱图像中相关性最小的9个特征波长作为图像的特征波段，将这9个特征波段的图像结合成3张所述特征波段图像。3.如权利要求2所述的方法，其特征在于，所述步骤S13中9个所述特征波段的图片通过三三结合的方式合成3张所述特征波段图像。4.如权利要求3所述的方法，其特征在于，所述步骤S2包括以下步骤：S21.利用阈值分割分别获取三张所述特征波段图像对应的标签信息；S22.根据所述标签信息对所述特征波段图像进行布尔运算，获得掩膜标定结果。5.如权利要求4所述的方法，其特征在于，所述步骤S22中还包括：对所述特征波段图像进行开闭运算。6.如权利要求5所述的方法，其特征在于，所述步骤S3包括以下步骤：S31.通过残差神经网络层提取图像特征并压缩图像尺寸；S32.通过RPN层框选图像中的各种目标并判断被框选的图像区域是否为背景图像；S33.采用全连接神经网络识别所述被框选的图像，得到类别信息；S34.采用全连接神经网络对图像框位置进行微调并输出最佳的图像框位置，得到位置信息；S35.采用卷积神经网络对所述图像框中像素点进行掩膜标记，得到掩膜信息；S36.通过整合所述掩膜信息、所述类别信息以及所述位置信息实现对图像的像素级识别分类。7.如权利要求6所述的方法，其特征在于，所述MaskRCNN神经网络的训练包括以下步骤：A1.根据掩膜标定结果以及结合后的3张所述特征波段图像，制作高光谱图像数据集；A2.利用所述数据集训练MaskRCNN架构神经网络，整合掩膜信息、类别信息以及位置信息分别对3张所述特征波段图像进行像素级分割；A3.整合3张所述特征波段图像的分割结果，完成基于MaskRCNN架构的高光谱图像分类模型的训练。8.如权利要求7所述的方法，其特征在于，所述步骤A1至A3中,每个所述标签信息对应3张所述特征波段图像，3个所述标签先后对3张所述特征波段图像进行MaskRCNN分类，选取其中得分最高的分类结果作为最终分类结果。9.一种高光谱图像分类装置，其特征在于，所述装置包括：特征波段图像提取单元，使用SPA算法对高光谱图像进行特征波段图像提取；掩膜标定单元，与所述特征波段图像提取单元电连接，对得到的所述特征波段图像进2CN111144502A权利要求书2/2页行掩膜标定；识别分类单元，分别与特征波段图像提取单元和所述掩膜标定单元电连接，基于所述掩膜标定单元的输出完成对MaskRCNN神经网络的训练；基于特征波段图像提取单元的输出通过MaskRCNN神经网络完成对高光谱图像的像素级识别分类。3CN111144502A说明书1/4页高光谱图像分类方法及其装置技术领域[0001]本发明涉及高光谱图像分类技术领域，特别涉及一种高光谱图像分类方法及其装置。背景技术[0002]高光谱图像具备目标区域丰富的特征信息，被广泛用用在农业、环境检测、地物目标探测等等领域。然而丰富的特征信息也带来了对处理系统的庞大内存消耗，同时造成高光谱图像相关性强、信息冗余多，给高光谱图像的