本發(fā)明涉及圖像數(shù)據(jù)處理，尤其是一種高光譜圖像智能分類方法及其系統(tǒng)。

背景技術(shù)：

1、在傳統(tǒng)的高光譜圖像處理領(lǐng)域，圖像分類通常依賴于手工特征提取和簡單的機器學(xué)習(xí)算法。這些方法往往需要大量的領(lǐng)域知識和經(jīng)驗來設(shè)計有效的特征，且在處理復(fù)雜或大規(guī)模數(shù)據(jù)集時，性能受限。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(cnn)已成為圖像分類任務(wù)中的強大工具。然而，對于高光譜圖像這類具有高維度和豐富光譜信息的數(shù)據(jù)，需要更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)來捕捉其內(nèi)在的特征和模式。

2、高光譜圖像數(shù)據(jù)的維度遠(yuǎn)高于常規(guī)圖像，這給傳統(tǒng)的圖像處理算法帶來了挑戰(zhàn)，因為它們通常難以處理高維數(shù)據(jù)；

3、手工特征提取方法效率低下，且難以適應(yīng)多變的圖像環(huán)境和復(fù)雜的分類任務(wù)；

4、現(xiàn)有的分類模型可能在特定數(shù)據(jù)集上表現(xiàn)良好，但在新的或不同的高光譜圖像數(shù)據(jù)集上泛化能力不足；

5、高光譜圖像的復(fù)雜性要求模型具有較高的計算資源，這限制了模型在資源受限的環(huán)境中的應(yīng)用。

技術(shù)實現(xiàn)思路

1、本發(fā)明為了解決上述存在的技術(shù)問題，提供一種高光譜圖像智能分類方法及其系統(tǒng)。

2、本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

3、一種高光譜圖像智能分類方法，包括以下步驟：

4、s1、輸入高光譜圖像數(shù)據(jù)和對應(yīng)的標(biāo)簽數(shù)據(jù)；

5、s2、對高光譜圖像數(shù)據(jù)和對應(yīng)的標(biāo)簽數(shù)據(jù)進(jìn)行歸一化處理；

6、s3、構(gòu)建用于訓(xùn)練的高光譜圖像數(shù)據(jù)集；

7、s4、輸出高光譜圖像分類結(jié)果；

8、s5、評估分類結(jié)果。

9、進(jìn)一步地，所述s2對高光譜數(shù)據(jù)和對應(yīng)的標(biāo)簽數(shù)據(jù)進(jìn)行歸一化處理的過程具體為，使用standardscaler對數(shù)據(jù)進(jìn)行歸一化處理，對于高光譜圖像數(shù)據(jù)集中的每個特征，即每個像素的光譜，計算其均值，使用每個特征的均值和標(biāo)準(zhǔn)差對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，確保了每個特征的均值為0，標(biāo)準(zhǔn)差為1。

10、進(jìn)一步地，所述s3具體為，構(gòu)建densenet模型，定義densenet模型類，包含輸入維度、增長率、層數(shù)和分類數(shù)；

11、構(gòu)建分類器線性層(nn.linear)，將卷積層輸出展平后輸入到分類器中，輸入維度為num_channels*(input_dim//(2**num_layers))，輸出維度為num_classes；；

12、通過以下步驟實現(xiàn)densenet模型代碼：

13、定義densenet模型的初始化函數(shù)；初始化函數(shù)中需要定義模型的主要結(jié)構(gòu)，包括特征提取部分(dense塊)和分類器；

14、在初始化函數(shù)中，定義特征提取部分和分類器；特征提取部分由若干dense塊組成，每個dense塊內(nèi)部包含多個密集連接的層；其中，分類器是一個或多個全連接層，用于將特征提取部分的輸出映射到最終的分類結(jié)果；

15、每個dense塊由多個層組成，在所有dense塊處理后，使用全局平均池化將特征圖的空間維度壓縮到1x1，最后，將全局平均池化后的輸出展平并通過全連接層進(jìn)行分類；

16、實現(xiàn)前向傳播函數(shù)，定義數(shù)據(jù)通過網(wǎng)絡(luò)的過程；前向傳播函數(shù)定義了數(shù)據(jù)通過網(wǎng)絡(luò)的過程，包括數(shù)據(jù)如何通過特征提取部分和分類器。

17、進(jìn)一步地，還包括對構(gòu)建的densenet模型進(jìn)行訓(xùn)練，densenet的訓(xùn)練步驟為，使用交叉熵?fù)p失和adam優(yōu)化器進(jìn)行模型訓(xùn)練，訓(xùn)練50個epoch；使用訓(xùn)練好的densenet模型提取特征，并用svm進(jìn)行分類。

18、進(jìn)一步地，所述使用交叉熵?fù)p失和adam優(yōu)化器進(jìn)行模型訓(xùn)練的過程為，加載并預(yù)處理訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)；創(chuàng)建densenet模型的實例；使用交叉熵?fù)p失函數(shù)；使用adam優(yōu)化器；進(jìn)行多個epoch的訓(xùn)練，每個epoch包括遍歷訓(xùn)練數(shù)據(jù)并更新模型參數(shù)；在驗證集上評估模型的性能。

19、使用提取的特征f(i)和對應(yīng)的標(biāo)簽y訓(xùn)練svm分類器，svm的訓(xùn)練過程涉及求解一個優(yōu)化問題；

20、對于新的高光譜圖像inew，使用訓(xùn)練好的svm模型進(jìn)行分類，得到新圖像的預(yù)測類別。

21、進(jìn)一步地，所述s5評估分類結(jié)果的步驟包括計算混淆矩陣、整體準(zhǔn)確率(oa)、平均準(zhǔn)確率(aa)和kappa系數(shù)。

22、一種高光譜圖像智能分類系統(tǒng)，包括數(shù)據(jù)管理與預(yù)處理模塊、模型構(gòu)建與訓(xùn)練模塊、分類器訓(xùn)練與預(yù)測模塊、性能評估模塊和用戶交互與結(jié)果展示模塊。

23、所述數(shù)據(jù)管理與預(yù)處理模塊集成了數(shù)據(jù)輸入、數(shù)據(jù)預(yù)處理和數(shù)據(jù)歸一化處理的功能，負(fù)責(zé)接收高光譜圖像數(shù)據(jù)及其標(biāo)簽，進(jìn)行清洗、格式轉(zhuǎn)換、歸一化處理和特征縮放；

24、所述模型構(gòu)建與訓(xùn)練模塊集成了densenet模型構(gòu)建、模型訓(xùn)練和特征提取的功能，負(fù)責(zé)設(shè)計和構(gòu)建深度學(xué)習(xí)模型，使用訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練，以及提取用于分類的特征；

25、所述分類器訓(xùn)練與預(yù)測模塊集成了svm分類器訓(xùn)練和分類預(yù)測的功能，負(fù)責(zé)使用提取的特征訓(xùn)練svm分類器，并利用訓(xùn)練好的分類器對新圖像進(jìn)行預(yù)測；

26、所述性能評估模塊負(fù)責(zé)評估分類結(jié)果的性能，包括計算混淆矩陣、整體準(zhǔn)確率(oa)、平均準(zhǔn)確率(aa)和kappa系數(shù)，提供對分類器性能的全面分析，幫助判斷分類器的有效性和進(jìn)行必要的調(diào)整；

27、所述用戶交互與結(jié)果展示模塊集成了用戶界面和結(jié)果可視化的功能，提供用戶交互界面，允許用戶上傳數(shù)據(jù)、啟動分類、查看評估結(jié)果和可視化展示，以及導(dǎo)出分類報告。

28、本發(fā)明相比現(xiàn)有技術(shù)而言，具有以下有益效果：

29、1、本發(fā)明通過使用densenet模型，能夠自動從高光譜圖像中學(xué)習(xí)并提取復(fù)雜的特征，減少了對手工特征提取的依賴，densenet的密集連接結(jié)構(gòu)有助于提高模型的學(xué)習(xí)能力，從而在高光譜圖像分類任務(wù)中實現(xiàn)更高的精度；

30、2、通過在多個dense塊中學(xué)習(xí)特征，模型能夠更好地泛化到不同的高光譜圖像數(shù)據(jù)集，提高了模型的適用性，densenet的設(shè)計通過重復(fù)利用特征圖減少了計算量，使得模型在有限的計算資源下也能高效運行；

31、3、在densenet提取的特征基礎(chǔ)上，使用svm進(jìn)行分類進(jìn)一步提高了分類的準(zhǔn)確性和魯棒性，不僅實現(xiàn)了分類，還包括了混淆矩陣、整體準(zhǔn)確率、平均準(zhǔn)確率和kappa系數(shù)等綜合評估指標(biāo)，為模型的性能提供了全面的評估。

技術(shù)特征：

1.一種高光譜圖像智能分類方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種高光譜圖像智能分類方法，其特征在于：所述s2對高光譜數(shù)據(jù)和對應(yīng)的標(biāo)簽數(shù)據(jù)進(jìn)行歸一化處理的過程具體為，使用standardscaler對數(shù)據(jù)進(jìn)行歸一化處理，對于高光譜圖像數(shù)據(jù)集中的每個特征，即每個像素的光譜，計算其均值，設(shè)x為一個m×n的矩陣，其中m是樣本數(shù)量，n是特征數(shù)量，即光譜帶的數(shù)量，對于第j個特征，其均值μj計算公式為：

3.根據(jù)權(quán)利要求1所述的一種高光譜圖像智能分類方法，其特征在于，所述s3具體為，構(gòu)建densenet模型，定義densenet模型類，包含輸入維度、增長率、層數(shù)和分類數(shù)；

4.根據(jù)權(quán)利要求3所述的一種高光譜圖像智能分類方法，其特征在于：還包括對構(gòu)建的densenet模型進(jìn)行訓(xùn)練，densenet的訓(xùn)練步驟為，使用交叉熵?fù)p失和adam優(yōu)化器進(jìn)行模型訓(xùn)練，訓(xùn)練50個epoch；使用訓(xùn)練好的densenet模型提取特征，并用svm進(jìn)行分類。

5.根據(jù)權(quán)利要求4所述的一種高光譜圖像智能分類方法，其特征在于：所述使用交叉熵?fù)p失和adam優(yōu)化器進(jìn)行模型訓(xùn)練的過程為，加載并預(yù)處理訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)；創(chuàng)建densenet模型的實例；使用交叉熵?fù)p失函數(shù)；使用adam優(yōu)化器；進(jìn)行多個epoch的訓(xùn)練，每個epoch包括遍歷訓(xùn)練數(shù)據(jù)并更新模型參數(shù)；在驗證集上評估模型的性能。

6.根據(jù)權(quán)利要求5所述的一種高光譜圖像智能分類方法，其特征在于：所述數(shù)據(jù)預(yù)處理，其步驟表示為：x/＝normalize(x,μ,σ)，其中，x是原始圖像數(shù)據(jù)，μ和σ是歸一化的均值和標(biāo)準(zhǔn)差，x/是歸一化后的圖像數(shù)據(jù)；

7.根據(jù)權(quán)利要求4所述的一種高光譜圖像智能分類方法，其特征在于：所述用svm進(jìn)行分類的步驟為，使用訓(xùn)練好的densenet模型提取高光譜圖像的特征，f(i)＝f(i；θ)，其中，i為輸入的高光譜圖像，f表示densenet模型的特征提取函數(shù)；

8.根據(jù)權(quán)利要求1所述的一種高光譜圖像智能分類方法，其特征在于：所述s5評估分類結(jié)果的步驟包括計算混淆矩陣、整體準(zhǔn)確率(oa)、平均準(zhǔn)確率(aa)和kappa系數(shù)，具體如下：

9.根據(jù)權(quán)利要求1所述的一種高光譜圖像智能分類方法，其特征在于：所述s5中還包括將輸出最終分類結(jié)果進(jìn)行可視化，具體為，繪制熱力圖，創(chuàng)建一個矩陣h，其行對應(yīng)于分類結(jié)果，列對應(yīng)于實際標(biāo)簽，矩陣h中的每個元素hij表示預(yù)測為類別i而實際為類別j的樣本數(shù)，即混淆矩陣的元素；

10.一種高光譜圖像智能分類系統(tǒng)，其特征在于：包括數(shù)據(jù)管理與預(yù)處理模塊、模型構(gòu)建與訓(xùn)練模塊、分類器訓(xùn)練與預(yù)測模塊、性能評估模塊和用戶交互與結(jié)果展示模塊；

技術(shù)總結(jié)
本發(fā)明公開了一種高光譜圖像智能分類方法，包括以下步驟：S1、輸入高光譜圖像數(shù)據(jù)和對應(yīng)的標(biāo)簽數(shù)據(jù)；S2、對高光譜圖像數(shù)據(jù)和對應(yīng)的標(biāo)簽數(shù)據(jù)進(jìn)行歸一化處理；S3、構(gòu)建用于訓(xùn)練的高光譜圖像數(shù)據(jù)集；S4、輸出高光譜圖像分類結(jié)果；S5、評估分類結(jié)果；通過使用DenseNet模型，能夠自動從高光譜圖像中學(xué)習(xí)并提取復(fù)雜的特征，減少了對手工特征提取的依賴，DenseNet的密集連接結(jié)構(gòu)有助于提高模型的學(xué)習(xí)能力，從而在高光譜圖像分類任務(wù)中實現(xiàn)更高的精度，使用SVM進(jìn)行分類進(jìn)一步提高了分類的準(zhǔn)確性和魯棒性，不僅實現(xiàn)了分類，還包括了混淆矩陣、整體準(zhǔn)確率、平均準(zhǔn)確率和Kappa系數(shù)等綜合評估指標(biāo)，為模型的性能提供了全面的評估。

技術(shù)研發(fā)人員：廖建尚
受保護(hù)的技術(shù)使用者：廣州航海學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9