[发明专利]一种多边形结构引导的高光谱图像单样本识别方法及系统

说明书

本发明公开了一种多边形结构引导的高光谱图像单样本识别方法及系统，本发明包括：针对高光谱图像降维；对降维图像进行多尺度分割得到多尺度分割图；利用已知的单样本，结合多尺度分割得到的最细尺度的分解结果及光谱角距离，在单样本所在的多边形内扩充样本，随后搜索相似多边形，在相似多边形内部二次扩充样本，并利用扩充后的样本训练像素级的分类器识别模型；利用分类器识别模型对降维图像识别得到逐像素的初始识别结果；结合多尺度分割图优化初始识别结果再融合得到最终的识别结果。本发明针对农田场景或城市场景实现多边形结构引导的高光谱图像单样本识别，在解决样本数量不足问题的同时，能够提升识别精度并优化识别视觉效果。

技术领域

本发明涉及一种高光谱图像识别方法，具体涉及一种多边形结构引导的高光谱图像单样本识别方法及系统。

背景技术

高光谱图像（HSI）含有数百个连续的波段，具有丰富的光谱信息，能够提供不同地物的光谱“指纹”，为地物的精确分类与识别带来了前所未有的机遇。因此，高光谱图像识别一直是高光谱图像处理的热点研究方向，该技术现已被广泛应用于土地覆盖调查、环境监测、矿物制图等应用中。

高光谱图像识别旨在通过模式识别的方式为图像中每个像素赋予一个指定的类别标签，以便于后续的图像分析。然而，众多地物识别方法的性能都与训练样本的数量密切相关。在实际应用中，获取标记样本往往又是费时费力的，并且有一定难度。为了解决样本数量不足的问题，涌现了一些利用半监督学习进行地物识别的技术，半监督学习能够利用现成的无标记样本来改进监督学习任务，能进一步提高了小样本情况下的图像识别精度。

除了样本数量的问题以外，尽管前沿算法的地物识别结果的客观评价指标能达到很高的数值，但是视觉效果往往不尽人意。例如，在一些未充分利用图像空间信息的方法中，会存在类似噪声的误分样本；当识别结果中同类样本内部较为匀质时，不同类别的边界与真实地物边界仍有一定差异。这些现象在人造场景中尤为明显，例如农田，建筑物。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种多边形结构引导的高光谱图像单样本识别方法及系统，本发明针对农田场景或城市场景实现多边形结构引导的高光谱图像单样本识别，在解决样本数量不足问题的同时，能够提升识别精度并优化识别视觉效果。

为了解决上述技术问题，本发明采用的技术方案为：

一种多边形结构引导的高光谱图像单样本识别方法，包括：

1）针对输入的高光谱图像进行光谱维度的降维，得到降维图像；

2）对降维图像进行多尺度分割得到多尺度分割图；

3）利用已知的单样本，结合多尺度分割得到的最细尺度的分解结果及光谱角距离，在单样本所在的多边形内扩充样本，随后搜索相似多边形，在相似多边形内部二次扩充样本，并利用扩充后的样本训练像素级的分类器识别模型；

4）利用训练好的分类器识别模型对降维图像进行识别，得到逐像素的初始识别结果；

5）结合多尺度分割图优化初始识别结果，得到多尺度识别结果；

6）融合多尺度识别结果，得到最终的识别结果。