申请/专利权人：南京信息工程大学

申请日：2024-04-25

公开（公告）日：2024-06-25

公开（公告）号：CN118097313B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/26;G06T5/10;G06V10/74;G06N20/10;G06V20/10

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.06.14#实质审查的生效;2024.05.28#公开

摘要：本发明公开了一种基于频域主动学习的高光谱图像分类方法，方法为采用主成分分析对高光谱图像数据集进行降维处理获得降维图像，再依次进行傅里叶变换、高通滤波、傅里叶逆变换得到高频部分；将降维图像代入熵率超像素分割得出三个尺度的超像素分割图并分别提取出三个尺度的超像素分割图特征用于制作SVM分类器的训练样本、初步结果，采用随机游走优化初步结果并对比优化后的结果得到不同的像素点集；基于高频部分查找像素点集获得高频部分所关联的像素点并采用信息量排序，获得更新训练样本的若干像素点，从而保持分类器的学习；本发明对频域保持高精度的自主学习状态，避免高光谱图像在获取和传输过程中因数据质量降低导致的图像分类精度低。

主权项：1.一种基于频域主动学习的高光谱图像分类方法，其特征在于，包括：获取高光谱图像数据集；采用主成分分析算法对高光谱图像数据集进行降维处理，获得降维图像数据；对降维图像数据依次进行傅里叶变换、高通滤波、傅里叶逆变换得到图像的高频部分；以及将降维图像数据代入熵率超像素分割算法，获得三个尺度的超像素分割图；根据三个尺度的超像素分割图，分别提取出三个尺度的超像素分割图特征；对三个尺度的超像素分割图特征分别进行部分特征的随机选择，获得三个尺度下的部分样本作为训练样本并将其余样本作为测试样本；将训练样本导入SVM分类器进行训练，获得训练好的SVM分类器并基于训练好的SVM分类器输出三个尺度SVM分类的初步结果；将SVM分类的初步结果导入随机游走算法进行优化，获得优化后的三个尺度分类结果；对比优化后的三个尺度分类结果，获得三个尺度分类结果中不同的像素点的像素点集；基于图像的高频部分对像素点集进行查找，获得图像的高频部分所关联的像素点以及像素点的信息量；根据像素点的信息量对图像的高频部分所关联的像素点进行信息量排序，获得信息量满足设定条件的若干像素点；将信息量满足设定条件的若干像素点重新加入训练样本，并通过循环训练、测试、评估获得频域学习的SVM分类器模型并输出频域主动学习的高光谱分类图像；其中，采用主成分分析算法对高光谱图像数据集进行降维处理，获得降维图像数据的方法包括：对高光谱图像数据集进行零均值化处理，获得零均值化后的数据集；将零均值化后的数据集代入协方差矩阵计算，获得协方差矩阵的特征值及特征向量；根据特征值的大小对特征向量进行从上至下的排列，并选取预设数量行的特征向量构造为向量矩阵；根据向量矩阵对高光谱图像数据集进行线性转换，获得降维图像数据；协方差矩阵的表达式为： 1式中，表示协方差矩阵，代表样本的数量，表示高光谱图像数据集，，表示对零均值化后的数据集的转置；根据向量矩阵对高光谱图像数据集进行线性转换，获得降维图像数据，具体为： 2式中，表示向量矩阵，表示降维图像数据；对降维图像数据依次进行傅里叶变换、高通滤波、傅里叶逆变换得到图像的高频部分的方法包括：对降维图像数据进行傅里叶正变换，获得频域数据；对频域数据进行复数转换，获得幅度谱；对幅度谱进行高通滤波，获得保留有高频信息的幅度谱；对保留有高频信息的幅度谱进行傅里叶逆变换，得到降维图像数据的高频部分；其中，对降维图像数据进行傅里叶正变换，获得频域数据的计算表达式为： 3式中，代表原始数据立方体，代表频域数据立方体，是频域中的空间频域变量，是原始数据立方体的长、宽、高，表示自然常数，表示虚数单位；对频域数据进行复数转换，获得幅度谱的过程表达式为： 4 5式中，为复数，为复数的实部，为复数的虚部，为幅度谱的数值；对保留有高频信息的幅度谱进行傅里叶逆变换，得到降维图像数据的高频部分的表达式为： 6式中，表示降维图像数据的高频部分；将SVM分类的初步结果导入随机游走算法进行优化，获得优化后的三个尺度分类结果的方法包括：对三个尺度SVM分类的初步结果分别进行节点图映射，获得三个尺度SVM分类的初步结果对应的节点图；对三个尺度SVM分类的初步结果对应的节点图进行随机游走迭代计算，获得每个尺度下被访问频率高于其它的节点；根据被访问频率高于其它的节点所关联的数据样本，获得随机游走算法优化后的三个尺度分类结果；其中，节点图中具有多个节点，每个节点代表一个数据样本；多个节点之间通过多条边进行相互联接，每条边代表两个数据样本之间的相似度，以及代表节点之间的相似性；对三个尺度SVM分类的初步结果对应的节点图进行随机游走迭代计算，获得每个尺度下被访问频率高于其它的节点的方法包括：根据三个尺度SVM分类的初步结果对应的节点图中，获得节点之间的相似性、初始节点；根据节点之间的相似性计算与初始节点相连的邻域节点的权重；对邻域节点的权重进行归一化处理，获得归一化后的邻域节点权重；对归一化后的邻域节点权重进行概率分布转换，获得邻域节点权重的概率分布；根据预设的迭代次数、加权平均规则、邻域节点权重的概率分布进行初始节点沿边游走，获得最终游走的节点；在最终游走的节点上停止游走，并收集每个节点被访问的次数，形成一个关于图像像素访问频率的记录；根据图像像素访问频率的记录，确定每个尺度下被访问频率高于其它的节点，以及确定被访问频率高于其它的节点所关联的数据样本；其中，归一化后邻域节点权重的概率计算表达式为： 7式中，和j代表两个节点，j是的邻域节点，表示的邻域节点个数，表示节点到节点的权重；表示节点的所有邻域节点的权重之和。

全文数据：

权利要求：

百度查询： 南京信息工程大学 基于频域主动学习的高光谱图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD