[发明专利]一种高光谱图像材质识别方法及系统

说明书

本发明涉及一种高光谱图像材质识别方法及系统。该方法包括获取不同材质类型的高光谱图像，并根据所述不同材质类型的高光谱图像构建目标材质样本集；将所述目标材质样本集中任意选取的两个样本构成输入样本对集，并将所有输入样本对集随机分成若干个实例集；利用所述实例集训练神经网络模型，得到训练好的神经网络模型；根据待识别的高光谱图像，基于所述训练好的神经网络模型，采用逐像元方法依次识别，得到所述待识别的高光谱图像的材质类型。本发明充分利用样本之间的差异性，且不限制样本的波段数量和图像尺寸，只需要少量样本就能实现高光谱图像中材质的快速准确识别。

技术领域

本发明涉及光谱图像分类识别的领域，特别是涉及一种高光谱图像材质识别方法及系统。

背景技术

生活中的事物均涉及材质，不同材质的事物构成了事物的多样性。对于各类材质的识别是人们对目标事物感知和理解的重要因子，研究材质识别方法，对于计算机视觉、遥感、食物检查、矿物学和循环回收利用等领域都发挥着非常重要的作用。

高光谱图像具有高光谱分辨率、光谱信息丰富的优势，俗称“材料光谱”。高光谱图像所包含的信息能反映目标的外部品质特征(大小、形状、缺陷)和内部物理结构、化学成分的差异，一直是材质识别非常重要的数据来源，在材质分类、精准农业、以及环境监测等方面有着重要的应用价值。但高光谱图像光谱维度高，不同材质类型光谱有类内差异大类间差异小的现象，这使得基于高光谱图像的材质判别函数常采用复杂度高的模型，这类模型的求解需要大量的样本信息，如，近年研究较多的深度神经网络模型，然而，实际任务中要采集已知材质类型的高光谱图像样本费事费力，因此希望样本数量少时即小样本情况下能以比较高的精度基于高光谱图像识别材质。另一方面，不同传感器HSI可能具有不同光谱波段，也希望材质判别模型在光谱波段数区别不大的情况下能够通用，以增强模型的鲁棒性。

大量的研究已经表明训练充分的深度神经网络模型是高精度的保证，但小样本情况下如何能够充分训练深度神经网络，一般的做法是通过各种变换增加样本，甚至通过对抗生成网络生成虚拟样本，但样本变换和生成虚拟样本增加的样本信息对训练深度神经网络所起的作用仍然是有限的。因为，用这类方法扩增样本后，样本信息本质上与原始样本信息有较高的重叠度，所带来的新的信息量有限，故提升模型的性能很有限。

因此现有高光谱图像材质识别方法存在小样本和不同传感器高光谱图像波段数量自适应的问题。

发明内容

本发明的目的是提供一种高光谱图像材质识别方法及系统，充分利用样本之间的差异性，且不限制样本的波段数量和图像尺寸，只需要少量样本就能实现高光谱图像中材质的快速准确识别。

为实现上述目的，本发明提供了如下方案：

一种高光谱图像材质识别方法，包括：

获取不同材质类型的高光谱图像，并根据所述不同材质类型的高光谱图像构建目标材质样本集；

将所述目标材质样本集中任意选取的两个样本构成输入样本对集，并将所有输入样本对集随机分成若干个实例集；

采用深度卷积网络分别提取任一所述实例集中的每一所述输入样本对中两个单样本特征；

对每一所述单样本特征采用自适应空间光谱金字塔池化方法，提取多尺度单样本特征；

根据每一所述输入样本对对应的多尺度单样本特征，采用特征链接方法，生成样本对特征；

采用深度神经网络度量方法计算所述样本对特征的损失值；

根据所述实例集中所有的样本对特征的损失值，采用损失函数计算所述实例集的总体损失值；