[发明专利]基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法及系统

说明书

基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法及系统，属于高光谱图像分类技术领域。为了解决现有的高光谱图像分类方法存在问题椒盐噪声和区域级错分问题，以及无法提取适当的空谱信息的问题。本发明首先利用多层核引导可变卷积层组成特征提取网络提取准确的空谱特征，并得到初始的分类概率图；然后进行再分类，经过第一个双窗联合双边滤波器和第二个双窗联合双边滤波器进行分类；对于初始的分类概率图中任一个像素点进行上述操作，输出的结果就是最终的分类概率图；对最终的分类概率图进行最大概率取值，得到最终的分类结果图。主要用于高光谱图的分类。

技术领域

本发明涉及高光谱图分类方法及系统，属于高光谱图像分类技术领域。

背景技术

高光谱图像包含了数百个不同的波段，不仅包含丰富的光谱信息，还包含地面物体的空间结构信息。高光谱遥感影像具备如下特点：(1)高光谱影像，光谱范围从可见光延伸到近红外、中红外甚至远红外。此外，高光谱影像包含数十甚至数百个波段，光谱采样的间隔小，光谱分辨率达到纳米级。高覆盖的光谱范围与精细的光谱分辨率意味着地物光谱的全局特征将更加完整而局部细微特征将更加明显。(2)高光谱影像数据量大，光谱维度高，且由于相邻高光谱波段的相关性高，高光谱数据的信息冗余度也大大增加。这就会导致“Hughes”现象，即指：随着数据维数的增加，分类精度先增加后下降的现象。(3)此外，受到大气、湿度、场景、光照、云层厚度以及像元不纯净等环境因素影响，部分光谱范围内的波段会出现信息丢失或包含严重的影像噪声。高光谱影像存在地物光谱性状混淆与畸变的问题，不同地物的光谱曲线在表现出区分性的同时，也具有极大相似性，即“异物同谱”；属于同种地物的像素的光谱曲线也可能受环境因素如光照、阴影与噪声影响，而出现较大差异，即“同物异谱”。

高光谱图像分类就是根据地物光谱曲线的差异，对地面物体进行像素级区分，将每一个像素标记上相应的类别。高光谱图像分类广泛应用于海洋探测、城市分类、气候预测、林业监测、地质勘探、现代军事以及现代农业等诸多领域。

高光谱图像分类算法主要分为基于机器学习算法和基于深度学习的算法两大类。传统的基于机器学习的方法只能提取浅层特征进行分类，无法充分挖掘高光谱图像深层特征，而且无法克服由于“异物同谱”和“同物异谱”而引起的椒盐噪声和区域级错分问题。基于深度学习的方法主要是利用卷积神经网络进行深度特征提取。其中一维卷积神经网络(1DCNN)只是提取光谱维度的特征，而没有利用高光谱图像丰富的空间结构信息。二维卷积神经网络(2DCNN)引入中心像素的邻域结构信息很好的克服了这个缺点。但是在高光谱图像中的地面物体的形状是不规则的，而且普通的卷积神经网络采用的是形状不可变的卷积核，所以无差别的引入中心像素的邻域像素点的信息会不可避免的引入不同类别的光谱特征，这就使得卷积神经网络不能准确地提取地面物体的空谱特征。当待分类的像素位于物体的边缘处和不同类别物体的交界处时，这个问题尤其严重。

可变卷积网络的卷积核的形状是可以改变的，该网络的卷积核根据生成的偏移量改变自己的采样位置，进而改变卷积核形状。但是该方法仅通过一层普通的卷积层来生成偏移量，这种生成偏移量的方式不适用具有高维信息的高光谱图像，所以无法生成正确的偏移量信息，也就无法提取适当的空谱信息。

发明内容

本发明是为了解决现有的高光谱图像分类方法存在问题椒盐噪声和区域级错分问题，以及无法提取适当的空谱信息的问题。

基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法，包括以下步骤：

针对待分类的高光谱图像，利用基于核引导可变卷积和双窗联合滤波的高光谱图像分类模型进行分类处理；

所述的基于核引导可变卷积和双窗联合滤波的高光谱图像分类模型主要包括特征提取和再分类两个阶段；

在第一阶段中，待分类的高光谱图像的大小为H*W*B，对于高光谱图像中任一个像素点A，取以该像素点为中心的N*N范围的区域作为特征提取网络的输入；特征提取网络的输入就是大小为N*N*B的高光谱立方体块；