[发明专利]一种高光谱图像分类方法、装置、电子设备和存储介质

说明书

本公开提出一种高光谱图像分类方法、装置、电子设备和存储介质，属于计算机视觉与航空遥感技术。其中，所述方法包括：将待分类的高光谱图像输入预设的卷积神经网络，得到所述高光谱图像的图像特征；利用所述图像特征，根据预设的均值网络，得到所述图像特征对应的均值矩阵；根据所述均值矩阵，计算所述高光谱图像对应各类别的概率值，将所述概率值的最大值对应的类别作为所述高光谱图像的分类结果。本公开解决现有的同时考虑空间维度和光谱维度的高光谱图像分类方法中，在利用空间近邻信息来降低光谱维度不确定性影响的同时，引入了近邻像素的标签不确定性的问题，减少空间中标签不确定性对图像分类的不利影响，得到更为准确的分类结果。

技术领域

本公开涉及计算机视觉与航空遥感技术，具体涉及一种高光谱图像分类方法、装置、电子设备和存储介质。

背景技术

高光谱遥感能够以成百个精细连续的光谱波段捕捉丰富的地物信息。其中，高光谱图像分类将图片中每个像素点都进行分类，是高光谱遥感中一个重要的任务。高光谱图像分类方法包含传统的机器学习方法和深度学习方法，其中，机器学习方法利用人工提取的图像特征进行建模。例如，Blanzier等人利用k近邻方法来度量高光谱样本之间的相似性。Melgani等人将支持向量机引入高光谱分类的研究中，在当时引起了广泛的关注。Sun等人利用主动学习的方法进一步提高了高光谱分类的性能。以深度学习为基础的高光谱分类方法利用深度神经网络的结构自动提取图片中的特征进行建模，在现今高光谱分类领域中占据主导位置。例如，一维卷积神经网络、循环神经网络以及生成判别网络都被用来捕获高光谱图片中的丰富信息，通过加强模型对图像的建模和表征能力来提高分类效果。

由于自然光谱差异、高光谱仪器噪声以及大气影响等因素，高光谱图像中存在光谱维度的不确定性，即“同物异谱”和“异物同谱”现象。因此，现存方法聚焦于同时考虑图像中的空间维度信息和光谱维度信息来降低光谱不确定性的影响。例如，Sun等人利用加权马尔科夫随机场来监督光谱和空间的高光谱分类训练。Li等人进一步将马尔科夫随机场融合到支持向量机结构中来提高模型表征能力。Fang等人利用多尺度的稀疏表示来同时考虑光谱和空间维度的信息。为了更高效进行图片特征提取和表示，Yang等人提出三维卷积神经网络的结构通过输入图像块来同时处理图片中的空间信息和光谱信息。Paoletti等人构建金字塔型的深度残差网络结构来表示光谱维度和空间维度的信息。He等人针对性地设计多尺度协方差投影的方法来提取空间信息。另外，研究者将近些年计算机视觉领域流行的以注意力机制为基础的模型结构利用到高光谱图像分类任务之中。例如，Sun等人同时考虑空间维度和光谱维度的注意力加权来进行分类任务。Yu等人提出一种回馈式的以注意力机制为基础的稠密卷积神经网络结构来加强模型对高光谱图像的处理能力。

以上方法通过考虑空间信息来加强高光谱分类模型的置信度，类似于集成学习的思想。然而，由于高光谱图像往往具有较低的空间分辨率，近邻像素中会包含与中心像素不同的地物信息，且中心像素中也可能具有多种不同的地物特征，构成混合像素。因此，直接将空间信息融入到模型可能会带来标签信息的不确定性(输入图片块中具有不同地物信息，但标签却是单一类别)。

发明内容

本公开的目的是为克服已有技术的不足之处，提出一种高光谱图像分类方法、装置、电子设备和存储介质。本公开解决现有的同时考虑空间维度和光谱维度的高光谱图像分类方法中，在利用空间近邻信息来降低光谱维度不确定性影响的同时，引入了近邻像素的标签不确定性的问题，提出一种概率化分布的结构在嵌入空间中引入对近邻像素和中心像素不确定性的建模，同时利用一种概率化的对比损失函数来约束嵌入空间中的分布参数，从而减少空间中标签不确定性对图像分类的不利影响。

本公开第一方面实施例提出一种高光谱图像分类方法，包括：

将待分类的高光谱图像输入预设的卷积神经网络，得到所述高光谱图像的图像特征；

利用所述图像特征，根据预设的均值网络，得到所述图像特征对应的均值矩阵；