[发明专利]高光谱图像深度学习分类方法、装置、设备及存储介质

说明书

本发明涉及高光谱图像分类技术领域，公开了一种高光谱图像深度学习分类方法、装置、设备及存储介质，用于提高高光谱图像分类的准确度和效率。所述方法包括：获取待分类高光谱图像；根据预设窗口大小和所述已标记样本集对待分类高光谱图像进行随机裁剪，得到待训练样本集；通过图像变换对数据集进行扩充，得到对应的深度学习样本集；采用卷积循环神经网络和三维卷积神经网络提取空谱特征；通过经训练获得的预置神经网络分类模型对高光谱图像进行分类，得到对应的图像分类结果。通过构建深度神经网络模型，可以自动提取高光谱图像的深层抽象特征，有效减轻人工提取和优选特征的工作量，实现高光谱图像端对端的自动识别和分类。

技术领域

本发明涉及高光谱图像分类技术领域，尤其涉及一种高光谱图像深度学习分类方法、装置、设备及存储介质。

背景技术

高光谱图像分类用于给每个像素赋予一个确定的类别标签，是图像信息处理与分析领域至关重要的技术手段。高光谱图像中数百个连续谱段包含的光谱特征和空间特征，能够有效提升分类精度以及改善分类效果，成为高光谱图像分类过程中不可或缺的重要信息。然而，高光谱图像的维度高，可用的标记样本少，导致高光谱图像分类仍面临极大挑战。

因此，在高光谱图像中如何基于有限的标记样本，高效并且智能地提取和利用其丰富的空间特征和光谱特征，一直是高光谱图像处理与应用领域研究的热点。

传统的高光谱分辨率遥感图像分类主要通过构建图像分类特征库，以获得具有代表性的分类特征，然后对特征库进行优选，利用优选后的特征训练分类器。然而，传统的高光谱图像分类方法不仅费时费力，而且分类器的泛化能力弱，不能被快速、有效地推广到高光谱图像分类的不同场景，因此传统高光谱图像分类方法存在图像分类准确度低以及效率低的问题。

发明内容

本发明的主要目的在于解决现有高光谱图像分类方法存在图像分类准确度低以及效率低的问题。

为实现上述目的，本发明第一方面提供了一种高光谱图像深度学习分类方法，包括：

获取待分类高光谱图像；

根据预设窗口大小对所述待分类高光谱图像进行随机裁剪，得到对应的数据集；

通过图像变换方式对所述数据集进行数据扩充，得到对应的待分类样本集；

通过经训练获得的预置神经网络分类模型对所述待分类高光谱图像进行分类标签预测，并将得到的分类标签填充到与对应待分类高光谱图像相同大小的矩阵中，得到所述待分类高光谱图像对应的图像分类结果；

采用预置分类评价指标对所述图像分类结果进行评价，得出符合对应评价指标要求的高光谱图像分类结果及分类精度。

可选的，在本发明第一方面的另一个实施例中，所述根据预设窗口大小对所述待分类高光谱图像进行随机裁剪，得到对应的数据集之前，包括：

获取预定数据规模的已标记样本集，所述已标记样本集中的高光谱图像已按分类标签进行标记，通过分层随机抽样，按照预设的样本比例将高光谱已标记样本集划分成样本集A和样本集B两部分，其中样本集B作为测试集；

根据预设窗口大小和所述已标记样本集A，对高光谱图像进行随机裁剪，得到对应的待训练样本集；

通过图像变换方式对所述待训练样本集进行数据扩充，得到对应的深度学习样本集。

可选的，在本发明第一方面的另一个实施例中，所述通过图像变换方式对所述待训练样本集进行数据扩充，得到对应的深度学习样本集之后，包括：

采用随机抽样将所述深度学习样本集划分为训练集和验证集；所述训练集用于训练及构建所述预置神经网络分类模型、所述验证集用于调整和优选所述预置神经网络分类模型的训练参数、所述测试集用于测试所述预置神经网络分类模型的精度和鲁棒性。