[发明专利]一种采用编码智能学习框架的高光谱成像分类方法

说明书

本发明提供一种采用编码智能学习框架的高光谱成像分类方法，将压缩高光谱成像(CHSI)系统硬件参数、机器学习模型和滤波器模型的软件参数等视为编码智能学习框架的可调参数集合，使用已有的高光谱图像及其对应的分类标记作为样本数据，对可调参数集合中的全部参数或部分参数进行协同训练与优化，能够实现对硬件系统和软件模型中的参数进行联合训练与优化，有效提高了优化自由度与编码智能学习框架的预测性能，提高压缩光谱成像分类的准确性和稳定性；也就是说，本发明直接根据CHSI系统的压缩测量值计算光谱成像的分类结果，无需进行目标场景的完整三维光谱数据立方体的重构，有效提高了计算效率，同时避免了光谱数据重构误差对分类结果的影响。

技术领域

本发明属于图像分类、目标识别、机器学习、深度学习和计算成像领域，尤其涉及一种采用编码智能学习框架的高光谱成像分类方法。

背景技术

高光谱成像技术可以采用数百甚至上千个观测波长通道，在从紫外到红外的宽波段范围内，对目标场景或物体进行成像，同时获得物体的空间光强分布信息和光谱信息，在保证空间分辨率的同时，还可以提供高分辨的光谱指纹信息。高光谱成像技术已被广泛应用于诸多领域，如空间遥感、精准农业、地球科学、水文学、生物医学等。高光谱成像分类(Hyperspectral Imaging Classification,简称HIC)技术在这些应用中起到了至关重要的作用。

传统HIC方法通过频域和空域遍历推扫的方式获取场景的三维光谱数据立方体，数据获取时间长，同时后续的数据存储、传输和处理也将耗费高昂的计算代价和资源。为解决上述问题，研究人员将编码孔径、色散或分光元件引入高光谱成像系统，基于压缩感知(Compressive Sensing，简称CS)理论，提出了压缩高光谱成像(CompressiveHyperspectral Imaging,简称CHSI)技术。该技术通过编码孔径、色散元件或分光元件调制光场的强度、相位等信息，再将经过调制的三维数据立方体投影至二维探测器，形成压缩测量，从而将图像采集与压缩过程合二为一。压缩测量值中含有场景的原始光谱图像信息，因此可以用来重构三维数据立方体，或者直接采用压缩测量值进行高光谱图像的像素级分类或非像素级分类。

近期，研究人员提出了监督式压缩HIC技术，采用编码孔径快照式光谱成像(CodedAperture Snapshot Spectral Imaging，简称CASSI)系统获取二维投影数据，构造和训练过完备的稀疏字典，将每个空间像素的光谱曲线近似表征为若干稀疏字典元素的线性组合。对于任意一个空间像素，可以通过算法重构其对应光谱曲线的稀疏系数，并依据稀疏系数对空间像素进行分类。然而该方法对稀疏系数的重构过程同样会引入较高的计算复杂度，影响了计算速度。为了提升压缩HIC性能，研究人员提出了基于CS理论的编码孔径优化方法，以及稀疏字典优化方法，和不同的稀疏分类器。虽然基于有限等距条件的编码孔径优化能够提高光谱数据的重构性能，但这不等同于能够提升分类性能。同时，现有方法忽略了图像数据采集与数据分类处理两个阶段之间的协同优化与设计，因此限制了分类精度的进一步提升。

综上所述，现有的压缩高光谱成像分类技术在运算速度、计算精度、系统软硬件协同设计等方面均具有改善和提高的空间。

发明内容

为解决上述问题，本发明提供一种采用编码智能学习框架的高光谱成像分类方法，能够有效提高编码智能学习框架的预测性能，并提高压缩光谱成像分类的计算效率、准确性和稳定性。

一种采用编码智能学习框架的高光谱成像分类方法，包括以下步骤：