[发明专利]一种基于空谱联合特征的高光谱海冰检测方法

权利要求书

1.一种基于空谱联合特征的高光谱海冰检测方法，其特征是，包括有以下步骤：

通过原始高光谱图像获得原始数据；

通过GLCM算法从原始数据中提取空间特征，并将提取的空间特征与原始数据堆叠融合以获取得到标签样本；

从原始数据中根据K近邻算法选择各标签样本的近邻未标签样本，并通过波段选择算法和相关性分析对未标签样本进行处理；对未标签样本的处理具体为：

根据高光谱遥感海冰图像的波段选择算法对原始数据进行降维，获得未标签样本的光谱特征；

对未标签样本的纹理特征进行相关性分析，剔除相关性高的成分，获得空间特征；

将未标签样本提取的空间特征和光谱特征进行叠加融合，完成未标签样本的处理获取；

将标签样本和未标签样本进行融合以形成输入数据；

将输入数据随机划分为训练样本和测试样本，通过训练样本对预建的三维CNN网络模型进行训练，并通过测试样本对训练完成后的三维CNN网络模型进行测试，以得到分类精度；预建的三维CNN网络模型的训练具体为：

将标签样本和未标签样本融合形成的输入数据按照训练策略随机分为训练样本和测试样本，每个样本的输入大小均为K×K×B，其中，K为像素块的空间维大小，为奇数；B为像素块在通道维的大小，为输入数据深度；

进行训练：每次从训练样本中随机输入若干个训练样本至预建的三维CNN网络模型中进行训练；

若第一层包含n个大小为C×C×D的卷积核，每个K×K×B大小的样本经过第一层的卷积运算后，则输出n个(K-C+1)×(K-C+1)×(B-D+1)大小的数据立方体；第一层的输出作为第二层的输入，继续进行卷积运算，依次类推，最终的输出被转换成一个特征向量输入进全连接层，将卷积过程中提取的局部特征映射融合，经Softmax交叉熵函数计算损失率后，通过反向传播计算每个参数的梯度，利用Adam算法动态地更新网络参数；

将各训练样本对三维CNN网络模型重复进行训练，直至完成预设的迭代次数，完成训练；

通过训练测试后的三维CNN网络模型对高光谱遥感图像进行检测分类。

2.根据权利要求1所述的高光谱海冰检测方法，其特征是：空间特征的提取具体包括有：

采用主成分分析算法对原始数据进行处理，获取第一主成分；

根据GLCM算法，将滑动窗口在第一主成分上按照设定的步长及方向角滑动，每滑动一次计算该滑动窗口的灰度共生矩阵并求得纹理特征值，将该窗口的纹理特征值赋予窗口的中心像素点，滑动窗口直至覆盖第一主成分；

对每个纹理特征，将各个方向角进行求和取平均得到纹理特征矩阵，以完成空间特征提取。

3.根据权利要求2所述的高光谱海冰检测方法，其特征是：对近邻未标签样本的获取具体为：

计算原始数据中的标签样本与所有未标签样本的欧式距离，并进行排序，完成所有标签样本的计算，以完成所有标签样本的近邻未标签样本的提取。

4.根据权利要求1所述的高光谱海冰检测方法，其特征是，预建的三维CNN网络模型的测试具体为：

将测试样本输入至已训练好的三维CNN网络模型中，根据预测获得的预测标签与直接获取的真实标签，计算混淆矩阵，并得到分类精度，完成测试。