[发明专利]一种基于深度学习的高光谱目标显著性检测方法

权利要求书

1.一种基于深度学习的高光谱目标显著性检测方法，其特征在于，所述目标显著性检测方法至少包括深层特征提取步骤和显著性优化步骤，

其中，所述深层特征提取步骤包括将原始高光谱图像经双通道的卷积神经网络完成包括空间特征和光谱特征的深层特征提取；

所述显著性优化步骤包括将基于提取的深层特征完成背景线索和前景线索计算，并基于计算结果进行显著性优化，生成最终的显著性图；

记原始高光谱图像为X∈R^W×H×L，其中，W、H为图像尺寸，L为光谱维数；记深层特征为I∈R^W×H×C，C代表特征维数，且C＜L；

所述双通道的卷积神经网络包括空间特征通道和光谱特征通道，

其中，所述空间特征通道被配置为采用3×3卷积，并采用下采样和上采样，保持空间特征尺寸与原始高光谱图像尺寸一致，提取的空间特征维数为C/2；

所述光谱特征通道被配置为采用1×1卷积，提取的光谱特征维数为C/2；

所述双通道的卷积神经网络将提取的所述空间特征和光谱特征融合后，获得特征维数为C的深层特征I；

所述目标显著性检测方法还包括自监督训练步骤，用于完成对双通道的卷积神经网络的训练；

所述自监督训练步骤包括：

S1：输入一幅原始高光谱图像X，经双通道的卷积神经网络后，得到网络输出为O；

S2：由网络输出O，通过argmax分类得到每个像素在64维输出上最大值索引，获得类标签图像P₁；

S3：对类标签图像P₁采用SLIC算法进行超像素分割，每个超像素内标签一致调整为占比最高的标签，获得改进标签图像P₂；

S4：根据输出O和改进标签图像P₂，计算softmax损失，反向传播训练双通道的卷积神经网络；

S5：重复步骤S1至S4过程，对所述双通道的卷积神经网络进行10个epochs训练，其中，每个epoch训练30幅高光谱图像；

所述显著性优化步骤具体包括：

对深层特征I采用多通道SLIC算法进行超像素分割，获得超像素标签q_i∈N，i代表超像素序号；

根据深层特征I和超像素标签q_i，计算邻接矩阵、颜色距离和空间距离，再由边界连通性和对比度，分别获得背景线索和前景线索融合背景和前景线索，采用最小二乘法进行显著性优化，获得显著性值s_i∈R，生成显著性图；

显著性优化采用公式为：其中，c_ij∈R为平滑因子，第三项为平滑项。