技术特征：
1.一种多尺度cnn特征嵌入的多核学习高光谱图像分类方法，其特征在于，所述方法包括：将原始高光谱图像进行超像素分割，获得l个超像素分割图，所述超像素分割图带有超像素索引；对所述原始高光谱图像进行光谱核提取，获得所述原始高光谱图像的光谱核；采用加权平均滤波对l个所述超像素分割图进行特征提取，获得超像素间的空间核；利用多尺度cnn对所述原始高光谱图像进行处理，获得不同尺度下的深度空间核；将所述光谱核、所述超像素间的空间核和所述深度空间核重塑为一维列向量，获得多个一维列向量，并将多个一维列向量重构为二维矩阵；对所述二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核；将所述最优核作为支持向量机的核函数对所述原始高光谱图像进行分类，获得分类结果。2.根据权利要求1所述的方法，其特征在于，所述将原始高光谱图像进行超像素分割，获得l个超像素分割图，所述超像素分割图带有超像素索引的步骤，包括：将原始高光谱图像进行pca处理，生成pca变换后的特征图像；从所述pca变换后的特征图像中选择出前三个主成分特征图像，并设定超像素的个数l；根据所述超像素的个数l，在所述主成分特征图像上采用熵率超像素算法生成l个带有超像素索引的超像素分割图。3.根据权利要求1所述的方法，其特征在于，所述对所述原始高光谱图像进行光谱核提取，获得所述原始高光谱图像的光谱核的步骤，包括:将所述原始高光谱图像输入到径向基函数核中进行光谱核提取，获得所述原始高光谱图像的光谱核；所述径向基函数核为：k(x
i
,x
j
)＝exp(-||x
i-x
j
||2/2σ2)中，k(x
i
,x
j
)为径向基函数，x
i
为第i个样本，x
j
为第j个样本，σ为径向基函数的窗口参数；所述光谱核为：其中，为光谱核，为原始高光谱图像中第i个像素，为原始高光谱图像中第j个像素。4.根据权利要求1所述的方法，其特征在于，所述采用加权平均滤波对l个所述超像素分割图进行特征提取，获得超像素间的空间核的步骤，包括：步骤1：计算所述超像素分割图x
i
的所有像元光谱的平均值以及超像素x
i
的邻域超像素x
ij
中的所有像元光谱的平均值
步骤2：根据所述平均值采用权值计算公式计算所述平均值的权值ω
i,j
，步骤3：根据所述权值ω
i,j
，采用加权平均计算公式，计算所述超像素分割图x
i
的加权平均像元光谱步骤4：将所述超像素分割图x
i
中的所有像元光谱替换为计算得到的所述加权平均像元光谱获得替换后的超像素分割图；对每个超像素分割图中都执行步骤1至步骤4的操作，最后将所有替换后的超像素分割图组合到一起，得到基于超像素间的空间特征图像；根据所述基于超像素间的空间特征图像进行计算，获得超像素间的空间核；所述超像素间的空间核的表达式为：其中，为超像素间的空间核，为替换后的超像素分割图第i个像元光谱，为替换后的超像素分割图的第j个像元光谱。5.根据权利要求1所述的方法，其特征在于，所述利用多尺度cnn对所述原始高光谱图像进行处理，获得不同尺度下的深度空间核的步骤，包括：分别选择3
×
3、5
×
5、7
×
7、9
×
9、11
×
11大小的卷积核作为不同尺度下的特征提取核；通过所述不同尺度下的特征提取核对所述原始高光谱图像的空间域上的每个像素进行卷积，获得各卷积后的像素，并将各卷积后的像素组合到一起，获得不同尺度下的深度空间特征图像；根据所述不同尺度下的深度空间特征图像进行计算，获得不同尺度下的深度空间核k
cnn3
、k
cnn5
、k
cnn7
、k
cnn9
、k
cnn11
。6.根据权利要求1所述的方法，其特征在于，所述对所述二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核的步骤，包括：对所述二维矩阵按行进行pca变换，获得第一主成分列向量v
*
；采用重塑公式将第一主成分列向量v
*
按列进行重塑，获得原始核大小的最优核，重塑公式为：k
*
＝matrix(v
*
)v
*
＝pca(v
spec
,v
interspat
,v
cnn3
,v
cnn5
,v
cnn7
,v
cnn9
,v
cnn11
)其中，k
*
为最优核矩阵，v
spec
为k
spec
核矩阵向量化后得到的第一列向量，v
interspat
为k
interspat
核矩阵向量化后得到的第二列向量，v
cnn3
为k
cnn3
核矩阵向量化后得到的第三列向量，v
cnn5
为k
cnn5
核矩阵向量化后得到的第四列向量，v
cnn7
为k
cnn7
核矩阵向量化后得到的第五列向量，v
cnn9
为k
cnn9
核矩阵向量化后得到的第六列向量，v
cnn11
为k
cnn11
核矩阵向量化后得到的第七列向量，pca为主成分分析。
技术总结
本申请涉及一种多尺度CNN特征嵌入的多核学习高光谱图像分类方法。该方法包括：将原始高光谱图像进行超像素分割，获得L个超像素分割图，对原始高光谱图像进行光谱核提取，获得原始高光谱图像的光谱核；采用加权平均滤波对L个超像素分割图进行特征提取，获得超像素间的空间核；利用多尺度CNN对原始高光谱图像进行处理，获得不同尺度下的深度空间核；将光谱核、超像素间的空间核和深度空间核重塑为一维列向量，获得多个一维列向量，并重构为二维矩阵；对二维矩阵进行主成分分析，将第一主成分列向量重塑为原始核大小的最优核；将最优核作为支持向量机的核函数对原始高光谱图像进行分类，获得分类结果。能够快速有效的获得检测结果。结果。结果。
技术研发人员：孙乐 赵广瑞 宋相博 何承迅
受保护的技术使用者：南京信息工程大学
技术研发日：2021.11.19
技术公布日：2022/3/4