一种高光谱图像分类方法、装置、电子设备及存储介质与流程

本文件涉及卫星遥感，尤其涉及一种高光谱图像分类方法、装置、电子设备及存储介质。

背景技术：

1、高光谱遥感(hyperspectral remote sensing，hrs)是将成像技术和光谱技术相结合的多维信息获取技术，可同时探测目标的二维几何空间与一维光谱信息，以获取高光谱分辨率的连续、窄波段的图像数据。

2、高光谱图像被看作是一个三维数据立方体，除了具有空间上的维度外，还有数十个甚至上百个波段的光谱信息。这些波段除了包含可见光普外，还包括紫外及近红外等波段信息，利用这些丰富的信息可以在可见光中发现不可见的感兴趣目标。

3、高光谱图像分类是高光普图像研究中的一个热点，它是指利用高光谱图像的控件信息和光谱信息将图像逐像素分类。

4、目前高光谱图像分类方法尚不能很好利用高光谱图像的深度信息，导致分类准确率较低。

技术实现思路

1、本申请实施例提供了一种高光谱图像分类方法、装置、电子设备及存储介质，能够合理利用高光谱图像的深度信息，对高光谱图像进行分类。

2、为解决上述技术问题，本申请实施例是这样实现的：

3、第一方面，提出了一种高光谱图像分类方法，包括：

4、提取目标高光谱图像的光谱特征和空间特征；

5、基于自编码器学习针对所述光谱特征和所述空间特征的深层表示，得到所述目标高光谱图像的潜在空间表示特征；

6、将所述潜在空间表示特征输入至卷积神经网络模型，以对所述目标高光谱图像进行分类。

7、第二方面，提出了一种高光谱图像分类装置，包括：

8、提取模块，用于提取目标高光谱图像的光谱特征和空间特征；

9、编码模块，用于基于自编码器学习针对所述光谱特征和所述空间特征的深层表示，得到所述目标高光谱图像的潜在空间表示特征；

10、预测模块，用于将所述潜在空间表示特征输入至卷积神经网络模型，以对所述目标高光谱图像进行分类。

11、第三方面，提出了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

12、提取目标高光谱图像的光谱特征和空间特征；

13、对所述光谱特征和是所述空间特征进行编码，得到所述目标高光谱图像的潜在空间表示特征；

14、将所述潜在空间表示特征输入至卷积神经网络模型，以对所述目标高光谱图像进行分类。

15、第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

16、提取目标高光谱图像的光谱特征和空间特征；

17、对所述光谱特征和是所述空间特征进行编码，得到所述目标高光谱图像的潜在空间表示特征；

18、将所述潜在空间表示特征输入至卷积神经网络模型，以对所述目标高光谱图像进行分类。

19、本申请首先提取高光谱图像中浅层光谱特征和空间特征，之后基于自编码器学习针对浅层光谱特征和空间特征的深层表示，以用于提取潜在空间表示特征，从而在有效过滤冗余信息噪声的同时，保留了较多光谱与空间信息。后续，使用卷积神经网络模型根据潜在空间表示特征对高光谱图像分类，可提高分类准确率和计算效率。

技术特征：

1.一种高光谱图像分类方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求1所述的方法，其特征在于，

4.根据权利要求1所述的方法，其特征在于，

5.根据权利要求1所述的方法，其特征在于，

6.根据权利要求1所述的方法，其特征在于，

7.根据权利要求6所述的方法，其特征在于，

8.一种高光谱图像分类方法装置，其特征在于，包括：

9.一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，其特征在于，所述可执行指令在被执行时使所述处理器执行以下操作：

10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，其特征在于，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

技术总结
本申请公开了一种高光谱图像分类方法、装置、电子设备及存储介质。方法包括：提取目标高光谱图像的光谱特征和空间特征。基于自编码器学习针对所述光谱特征和所述空间特征的深层表示，得到所述目标高光谱图像的潜在空间表示特征。将所述潜在空间表示特征输入至卷积神经网络模型，以对所述目标高光谱图像进行分类。本申请能够合理利用高光谱图像的深度信息，对高光谱图像进行分类。

技术研发人员：田康,陈惠妮,郝晓宁,陈涛,梅迪菲
受保护的技术使用者：中移雄安信息通信科技有限公司
技术研发日：
技术公布日：2024/4/24