CN111008664B - 一种基于空谱联合特征的高光谱海冰检测方法 - Google Patents

Abstract

本发明公开了一种基于空谱联合特征的高光谱海冰检测方法，解决了传统方法限制了高光谱海冰图像分类精度提升的弊端，其技术方案要点是包括有以下步骤：通过原始高光谱图像获得原始数据；从原始数据中提取空间特征并获取得到标签样本；从原始数据数据中选择各标签样本的近邻未标签样本并进行处理；将标签样本和未标签样本融合以形成输入数据；将输入数据随机划分为训练样本和测试样本，通过训练样本对预建的三维CNN网络模型进行训练，通过测试样本进行测试，以得到分类精度；通过训练测试后的三维CNN网络模型对高光谱遥感图像进行检测分类，本发明的一种基于空谱联合特征的高光谱海冰检测方法，能够有效的克服现有困难，改进高光谱海冰的分类精度。

Description

一种基于空谱联合特征的高光谱海冰检测方法

技术领域

本发明涉及海冰检测领域，特别涉及一种基于空谱联合特征的高光谱海冰检测方法。

背景技术

海冰是地球气候***的重要组成部分，也是全球气候变化的指标之一。它在海洋与大气之间的热交换中起着重要的作用。同时，海冰也是造成极地和高中纬度地区海洋灾害的原因之一。对海冰检测的研究具有重要的研究意义。海冰检测需要获取及时有效的数据，而遥感技术具有及时性、准确性和可以获取大范围数据的特点，成为分析与研究海冰的重要手段。其中，高光谱遥感数据数据量大、波段多，在获得目标地物二维空间图像信息的同时，还可以获得连续的、高分辨率的表征其物理属性的一维光谱信息，实现了遥感数据图像维与光谱维信息的有机融合，即具有“图谱合一”的特性，为精确的海冰分类提供了重要的数据支撑。

1)从光谱特征为依据来看，高光谱遥感波段多、波宽窄，可以获得接近连续的光谱信息，为海冰检测提供了更精细的光谱特征。常用的方法有传统的最小距离、最大似然估计、决策树和支持向量机(SVM,Support Vector Machine)等。

2)从空间特征为依据来看，由于高光谱图像可获得大范围的数据图像，不同的地物类别拥有丰富多样的空间信息。不同类型的海冰往往具有不同的表面粗糙度和纹理方向，表现出不同的形状和高低起伏，而相同类型的海冰表面在一定的尺度下往往表现出大致相同的纹理特征。常用的空间特征提取方法有灰度共生矩阵(GLCM,Gray-level Co-occurrence Matrix)、Gabor滤波器、形态轮廓等。

高光谱数据的高维性与大数据量也带来了波段间相关性较强、混合像素和数据信息冗余等问题，易导致Hughes现象，成为利用高光谱遥感进行海冰检测的难题。由于海冰自身的物理特性以及海冰分布的环境因素影响，在特定情况下，利用光学遥感数据进行海冰检测会出现“同谱异物，同物异谱”的现象，因此通过引入空间特征有效利用空间特征与光谱特征相结合进行海冰检测，实现信息互补，有助于提升海冰检测精度。但是目前被广泛采用的基于专家经验和先验知识所提取的浅层手工特征的方法往往忽略了深层信息，从而限制了高光谱海冰图像分类精度的提升。

另外，由于海冰覆盖区域地理环境的特殊性，实地考察困难，难以获取实际的地物类别信息，需要通过先验知识对海冰类型进行手工标注，但手工标注耗时长、代价大容易导致训练样本难以获取及样本质量难以保证的问题，也在一定程度上限制了高光谱海冰图像分类精度的提高

发明内容

本发明的目的是提供一种基于空谱联合特征的高光谱海冰检测方法，能够有效的克服现有困难，改进高光谱海冰的分类精度。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于空谱联合特征的高光谱海冰检测方法，包括有以下步骤：

通过原始高光谱图像获得原始数据；

通过GLCM算法从原始数据中提取空间特征，并将提取的空间特征与原始数据堆叠融合以获取得到标签样本；

从原始数据中根据K近邻算法选择各标签样本的近邻未标签样本，并通过波段选择算法和相关性分析对未标签样本进行处理；

将标签样本和未标签样本进行融合以形成输入数据；

将输入数据随机划分为训练样本和测试样本，通过训练样本对预建的三维CNN网络模型进行训练，并通过测试样本对训练完成后的三维CNN网络模型进行测试，以得到分类精度；

通过训练测试后的三维CNN网络模型对高光谱遥感图像进行检测分类。

作为优选，空间特征的提取具体包括有：

采用主成分分析算法对原始数据进行处理，获取第一主成分；

根据GLCM算法，将滑动窗口在第一主成分上按照设定的步长及方向角滑动，每滑动一次计算该滑动窗口的灰度共生矩阵并求得纹理特征值，将该窗口的纹理特征值赋予窗口的中心像素点，滑动窗口直至覆盖第一主成分；

对每个纹理特征，将各个方向角进行求和取平均得到纹理特征矩阵，以完成空间特征提取。

作为优选，对近邻未标签样本的获取具体为：

计算原始数据中的标签样本与所有未标签样本的欧式距离，并进行排序，完成所有标签样本的计算，以完成所有标签样本的近邻未标签样本的提取。

作为优选，对未标签样本的处理具体为：

根据高光谱遥感海冰图像的波段选择算法对原始数据进行降维，获得未标签样本的光谱特征；

对未标签样本的纹理特征进行相关性分析，剔除相关性高的成分，获得空间特征；

将未标签样本提取的空间特征和光谱特征进行叠加融合，完成未标签样本的处理获取。

作为优选，预建的三维CNN网络模型的训练具体为：

将标签样本和未标签样本融合形成的输入数据按照训练策略随机分为训练样本和测试样本，每个样本的输入大小均为K×K×B，其中，K为像素块的空间维大小，为奇数；B为像素块在通道维的大小，为输入数据深度；

进行训练：每次从训练样本中随机输入若干个训练样本至预建的三维CNN网络模型中进行训练；

假设第一层包含n个大小为C×C×D的卷积核，每个K×K×B大小的样本经过第一层的卷积运算后，则会输出n个(K-C+1)×(K-C+1)×(B-D+1)大小的数据立方体；第一层的输出作为第二层的输入，继续进行卷积运算，依次类推，最终的输出被转换成一个特征向量输入进全连接层，将卷积过程中提取的局部特征映射映射融合，经Softmax交叉熵函数计算损失率后，通过反向传播计算每个参数的梯度，利用Adam算法动态地更新网络参数；

将各训练样本对三维CNN网络模型重复进行训练，直至完成预设的迭代次数，完成训练。

作为优选，预建的三维CNN网络模型的测试具体为：

将测试样本输入至已训练好的三维CNN网络模型中，根据预测获得的预测标签与直接获取的真实标签，计算混淆矩阵，并得到分类精度，完成测试。

综上所述，本发明具有以下有益效果：

针对高光谱海冰检测中的主要问题，通过利用三维CNN网络模型解决传统的海冰检测中对海冰信息挖掘不足的问题，并利用大量未标签样本的信息来弥补手动标注样本信息的不足，降低了标注压力且增加了样本信息的多样性；

在结合三维CNN与GLCM算法的基础上，将少量标签样本和大量未标签样本相结合，增加训练样本信息的多样性，改进高光谱海冰分类精度；

通过波段选择算法与相关性分析分别剔除未标签样本中冗余的光谱信息和空间信息，有效地降低了模型的训练时间。

附图说明

图1为本方法的流程示意框图；

图2a-2h为各类分类方法的分类结果示意图；

图3为本方法与其它方法在不同大小样本下的总体分类精度对比图；

图4为K值对分类精度的影响趋势图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

根据一个或多个实施例，公开了一种基于空谱联合特征的高光谱海冰检测方法，包括有以下步骤：

通过原始高光谱图像获得原始数据；

通过GLCM算法从原始数据中提取空间特征，并将提取的空间特征与原始数据堆叠融合以获取得到标签样本；

从原始数据中根据K近邻算法选择各标签样本的近邻未标签样本，并通过波段选择算法和相关性分析对未标签样本进行处理；

将标签样本和未标签样本进行融合以形成输入数据；

将输入数据随机划分为训练样本和测试样本，通过训练样本对预建的三维CNN网络模型进行训练，并通过测试样本对训练完成后的三维CNN网络模型进行测试，以得到分类精度；

通过训练测试后的三维CNN网络模型对高光谱遥感图像进行检测分类。

其中，空间特征的提取具体包括有：

采用主成分分析算法对原始数据进行处理，获取第一主成分；

根据GLCM算法，将滑动窗口在第一主成分上按照设定的步长及方向角滑动，每滑动一次计算该滑动窗口的灰度共生矩阵并求得纹理特征值，将该窗口的纹理特征值赋予窗口的中心像素点，滑动窗口直至覆盖第一主成分；

对每个纹理特征，将各个方向角进行求和取平均得到纹理特征矩阵，以完成空间特征提取。

对近邻未标签样本的获取具体为：

计算原始数据中的标签样本与所有未标签样本的欧式距离，并进行排序，完成所有标签样本的计算，以完成所有标签样本的近邻未标签样本的提取。

具体的步骤包括有：

输入：原始高光谱图像

A.特征提取

1)采用主成分分析算法对原始数据集进行处理，取第一主成分(PC)；

2)根据GLCM算法，将滑动窗口在PC上按步长d(d＝1)和方向角q(q＝0°,45°,90°,135°)滑动，每滑动一次计算该滑动窗口的灰度共生矩阵并求得纹理特征值，将该窗口的纹理特征值赋值给窗口的中心像素点；

3)重复步骤2)直到滑动窗口覆盖PC；

4)对某一纹理标量，将4个方向角下的纹理特征矩阵进行求和取平均，作为该纹理特征最终的纹理特征矩阵，其他纹理特征亦是如此；

5)重复步骤4)，直至获得8个纹理特征；

6)空间特征提取完成；

B.近邻样本的选择

7)对于原始数据中某一标签样本，计算其与所有未标签样本的欧式距离，其公式

并按升序排列；

8)重复步骤7)，直到计算完所有标签样本；

9)所有标签样本的近邻未标签样本提取完成；

C.输入数据预处理

i.标签样本

10)将标签样本在阶段A中提取的空间特征与原始数据堆叠；

11)标签样本数据获取完成；

ii.未标签样本

12)根据高光谱遥感海冰图像的波段选择算法对原始高光谱数据进行降维，获得光谱特征；

13)对未标签样本在阶段A中提取的空间特征进行相关性分析，剔除相关性较高的成分，获得空间特征；

14)将未标签样本在步骤12)和13)中提取的的光谱特征与空间特征进行叠加；

15)未标签样本数据获取完成；

16)将i中的标签样本数据与ii中未标签样本数据按照阶段B中的近邻关系所提取的近邻未标签样本的空谱特征(空间特征及光谱特征)进行融合；

17)输入数据获取完成；

D.三维CNN

18)将输入数据按训练策略随机分为训练样本和测试样本，每个样本的输入大小均为K×K×B(K为像素块的空间维大小，为奇数，B则是像素块在通维的大小，为输入数据深度)；

训练阶段：

19)每次从训练样本中随机输入batch(batch＝20)个训练样本到预先建立好的三维CNN网络中进行训练；

20)假设第一层包含n个大小为C×C×D的卷积核，每个K×K×B大小的样本经过第一层的卷积运算后，则会输出n个(K-C+1)×(K-C+1)×(B-D+1)大小的数据立方体；第一层的输出作为第二层的输入，继续进行卷积运算(类似于第一层)；如此类推；最终的输出被转换成一个特征向量输入进全连接层，将卷积过程中提取的局部特征映射融合，经Softmax交叉熵函数计算损失率后，通过反向传播计算每个参数的梯度，利用Adam算法动态地更新网络参数；

21)重复步骤19)和20)，直到完成预设定的迭代次数；

22)模型训练完毕；

测试阶段：

23)将步骤18)中的测试样本输入到已训练好的三维CNN模型中，根据预测标签与真实标签，计算混淆矩阵，并得到分类精度；

24)测试完成；

E.输出：混淆矩阵，整体分类精度(OA,Overall accuracy)，平均分类精度(AA,Average accuracy)，Kappa值(Kappa Statistic)。

通过训练测试完成的三维CNN网络模型对高光谱遥感图像进行检测分类。

与基于光谱特征的一维CNN模型和基于空间特征的二维CNN模型，三维CNN网络模型可以同时提取光谱特征和空间特征，充分利用了遥感数据中隐藏的海冰特征信息。而且高光谱数据通常以三维数据立方体表示，契合了CNN中的三维卷积滤波器提取特征的输入方式，为同时提取空谱联合特征提供了简便有效的办法，因此三维CNN网络模型是一种适用于高光谱海冰遥感图像的分类模型。

由于不同类型海冰的纹理特征有明显的差异，利用GLCM进行纹理特征增强更有利于海冰的识别和分类。基于GLCM方法提取海冰纹理特征，并将纹理信息与海冰光谱空间信息相结合，并利用大量近邻未标记样本的空谱特征进一步增强标记样本的质量。通过无任何待训练参数简单易实现的KNN算法选取近邻样本，将未标签样本的空谱信息与标签样本的空谱信息融合，提升了标签样本质量，增加了样本多样性，缓解了高光谱海冰数据标注成本高的问题以及减轻了三维CNN中的待训练参数量，在小样本情况下显著提高海冰分类精度。

大量未标记样本信息的加入增加了计算量。为了降低模型的时间复杂度，对未标记样本的光谱-空间信息进行了预处理。在光谱信息方面，采用波段算法进行降维，剔除了大量冗余波段，选择信息量大且相似度低的选定波段组合进行深光谱特征提取。在空间信息方面，基于相关性分析选择低相关的纹理特征进行深空间特征提取，有效的降低了训练时间。

如图1所示，主要包含4个部分：基于GLCM的空间特征提取、基于波段选择算法和相关性分析的未标记样本数据处理、标签样本与近邻未标签样本的融合和基于三维CNN的深光谱空间特征提取与分类。首先，利用GLCM从原始高光谱数据中提取空间特征，并将提取的空间特征与原始数据融合为标签样本数据。从原始高光谱数据中根据不含任何训练参数且简单易实现的K近邻(KNN,K-Nearest Neighbor)算法选择标签样本的近邻未标签样本，通过波段选择算法和相关性分析分别去除近邻未标签样本的光谱特征和空间特征中的冗余信息。最后，将标签样本数据与未标签样本数据融合，作为三维CNN的输入，进行深空谱特征的提取。

为表述清楚，现举一实例：

1)数据描述

实验数据为2008年1月23日由地球观测卫星(EO-1)拍摄的渤海湾区域的Hyperion高光谱影像，左上角经纬度为120°45′12″W，41°39′7″N，右下角经纬度为121°13′9″E，39°44′42″N。实验数据经过***几何校正、投影配准以及地形校正，图像级别为L1Gst级，波段光谱范围为356～2578nm，总共包含242个波段，空间分辨率是30m，光谱分辨率达到纳米级。原始影像大小为7061×2001，经过裁剪之后，选择有海冰覆盖的场景作为实验区域，实验区域的图像大小为272×159。在242个波段的图像数据中，去掉部分低信噪比和吸水率的波段后，最终使用了176个波段进行分析。通过手工标注一定数量的标签样本作为样本库，将样本库随机分为训练样本与测试样本，表1为渤海湾数据集的样本信息。

表1.渤海湾数据集的每个类中的训练样本数(像素个数)

2)实验设置

在未标签样本的光谱特征方面，综合考虑波段自身的信息与波段之间的相似性以及高光谱海冰的光谱特性，通过波段选择算法选择信息量大且波段之间相似性低的波段组合，最终选择3个波段作为光谱波段，波段号为21，120，83。

另外采用相关分析方法排除GLCM算法提取的纹理特征中高度相关的成分，通过相关系数矩阵进行量化分析，表2为渤海湾数据集中8个纹理成分的相关性。当两个纹理特征高度相关时(相关系数绝对值大于0.7)，则选择平均绝对相关性较小的纹理成分进行进一步研究。

表2.渤海湾数据集8个纹理成分的相关系数矩阵

表2中，Mea:均值(Mean)；Var:方差(Variance)；Hom:同质性(Homogeneity)；Con:对比度(Contrast)；Dis:相异性(Dissimilarity)；Ent:熵(Entropy)；ASM:角二阶矩(Angular second moment)；Cor:相关性(Correlation)；ABC:平均绝对相关性(Averageabsolute correlation)。

结合波段选择后的3个波段与相关性分析后保留的5个纹理成分，最终使用了8个属性特征代表未标签样本空谱信息，并选择标签样本的20个近邻样本(K＝20)，将其空谱特征作为标签样本的补丁信息，最终输入数据的通道(深度)维大小为176+8+8×20＝344。渤海湾数据集的模型结构如表3所示，模型中包含两层卷积层，一层Dropout层，一层全连接层以及输入层和输出层，数据输入大小为5×5×344并归一化至[0,1]，学习率为0.001，Dropout值为0.5，批量输入网络的数据量大小为20，迭代次数为2000。

表3.渤海湾数据集的模型结构

3)实例结果

表4为本专利的方法与其他分类方法分类结果对比，每种算法均在随机选择样本下进行10次，实验结果形式为平均值±标准差。GLCM-CNN是将GLCM算法所提取的空间特征与原始数据相结合，然后将融合数据输入CNN网络。实验中，2D-CNN的输入大小为19×19，3D-CNN输入大小为9×9×176，GLCM-CNN输入大小为5×5×(176+8)，其中176为原始波段数，8为通过GLCM算法从第一主成分中所提取的8个纹理成分。从表4可以看出，相比其他算法，本专利所提出的算法获得了最好的分类结果，总体分类精度为97.91％，比仅利用光谱特征的1D-CNN和仅利用空间特征的2D-CNN分别提升7.32％，3.83％，说明利用空谱联合特征可以有效提高海冰分类的精度；在基于空-谱特征的算法中，GLCM-CNN高于3D-CNN，说明了GLCM算法提取的纹理信息的有效性，但精度提升有限，仅有1.48％，而该方法比3D-CNN高出2.96％，与未融合近邻样本信息的GLCM-CNN的结果(96.43％)相比，提高了1.48％，AA与Kappa系数分别提高了1.30％，2.05％，说明融合近邻未标签样本的空间信息可以有效增强训练样本的质量，改进海冰分类精度。

在4种类别中，Seawater由于其本身特性对光谱的反射率较低，与海冰相比更易区分，而Gray Ice和Gray-White Ice作为Seawater与White Ice之间的中间类别，其厚度的范围广，误分现象严重。表4中Thin Ice在7种算法中的分类精度都相对较低，在决策树、SVM和1D-CNN中只通过光谱特征难以区分，在2D-CNN与GLCM-CNN中通过空间特征对Gray Ice和Gray-White Ice分类获得了一定的效果，而本专利算法在原标签样本的空间特征基础上融合未标签近邻样本的空间信息，获得了最佳的分类结果，Gray Ice分别提升了2.96％和1.41％，Gray-White Ice分别提升了3.23％和1.77％。图2a-2h为对应的分类结果图像，其中图2a为合成图像，图2b至图2h分别为决策树、支持向量机(SVM)、一维卷积神经网络(1D-CNN)、二维卷积神经网络(2D-CNN)、三维卷积神经网络(3D-CNN)、灰度共生矩阵-卷积神经网络(GLCM-CNN)及本专利采用方法的分类结果图。由于该方法对中间类别(Gray Ice和Gray-White Ice)分类具有优势，因此从分类结果图上看，本专利所提出方法的分类结果可有效地消除噪声点，令分类结果图更加平滑，对不同类别边缘区域的区分更加精准。

表4.渤海湾数据集的分类结果(％)

由于CNN中包含大量的待训练参数，需要大量的训练样本来保证样本的多样性，以提取更具有健壮性和有效性的特征。该方法在训练样本量方面进行了探究，并在不同训练样本量下进行10次实验，取10次实验结果的平均值为分类精度值。渤海湾处于中纬度地区，不含有常年堆积冰，冰厚度较薄且易融化，导致海水与海冰混淆，不同种类海冰之间的可分性较低，需要一定量的训练样本进行区分。本方法针对不同类别随机选取相同数量的训练样本，如图3所示，为本专利的方法与其决策树、支持向量机(SVM)、一维卷积神经网络(1D-CNN)、二维卷积神经网络(2D-CNN)、三维卷积神经网络(3D-CNN)、灰度共生矩阵-卷积神经网络(GLCM-CNN)各方法在不同大小样本下的总体分类精度对比图，分类精度随着训练样本量的增加，但本专利提出的算法在不同训练样本量下均优于其他算法，如在每类只选取10％的训练样本时，本专利算法在随机抽样下进行10次实验的平均精度值为92.74％，相比决策(82.64％)，SVM(65.33％)，1D-CNN(86.85％)，2D-CNN(88.72％)，3D-CNN(85.99％)，GLCM-CNN(89.13％)，分别提高了10.10％，27.41％，5.89％，4.02％，6.75％，3.61％。

KNN算法中不包含任何待训练参数，只有K值的选取对结果产生影响。K值的大小代表选取未标签样本中近邻样本的数量，本专利主要探究了K值处于1至20时对算法的影响，并在不同K值下，随机取样进行5次实验，如图4所示。随着K值的增大，分类精度值呈上升趋势，但随着K值的增大，选择的近邻样本也增多，虽然为标签样本带来了丰富的信息，但也意味着输入数据的通道(深度)维增加，训练出健壮而有效的分类模型所需时间更多，因此选择合适的K值需要综合考虑对分类精度和模型计算复杂度的影响。综上，在本专利中，取K值为20。

高光谱遥感海冰图像分类中因为环境条件限制导致标签样本难以获取，标注成本较高，另外，传统海冰分类方法大多只利用光谱特征，没有充分利用高光谱遥感海冰图像中包含的丰富的空间信息，限制了海冰分类精度的进一步提升。本专利一种基于卷积神经网络的空谱特征联合海冰图像分类模型，将少量标签样本和大量未标签样本相结合，充分挖掘高光谱遥感海冰数据中的空间和光谱信息，改进海冰分类精度。通过与基于单一特征(光谱或空间)和其他基于空-谱联合特征的分类方法的对比实验分析表明，可以借助大量未标签样本信息，通过少量训练样本有效提取海冰空谱特征，总体上获得较优的分类结果，为遥感海冰图像分类提供了新的思路。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (4)

1.一种基于空谱联合特征的高光谱海冰检测方法，其特征是，包括有以下步骤：

通过原始高光谱图像获得原始数据；

通过GLCM算法从原始数据中提取空间特征，并将提取的空间特征与原始数据堆叠融合以获取得到标签样本；

从原始数据中根据K近邻算法选择各标签样本的近邻未标签样本，并通过波段选择算法和相关性分析对未标签样本进行处理；对未标签样本的处理具体为：

根据高光谱遥感海冰图像的波段选择算法对原始数据进行降维，获得未标签样本的光谱特征；

对未标签样本的纹理特征进行相关性分析，剔除相关性高的成分，获得空间特征；

将未标签样本提取的空间特征和光谱特征进行叠加融合，完成未标签样本的处理获取；

将标签样本和未标签样本进行融合以形成输入数据；

将输入数据随机划分为训练样本和测试样本，通过训练样本对预建的三维CNN网络模型进行训练，并通过测试样本对训练完成后的三维CNN网络模型进行测试，以得到分类精度；预建的三维CNN网络模型的训练具体为：

将标签样本和未标签样本融合形成的输入数据按照训练策略随机分为训练样本和测试样本，每个样本的输入大小均为K×K×B，其中，K为像素块的空间维大小，为奇数；B为像素块在通道维的大小，为输入数据深度；

进行训练：每次从训练样本中随机输入若干个训练样本至预建的三维CNN网络模型中进行训练；

若第一层包含n个大小为C×C×D的卷积核，每个K×K×B大小的样本经过第一层的卷积运算后，则输出n个(K-C+1)×(K-C+1)×(B-D+1)大小的数据立方体；第一层的输出作为第二层的输入，继续进行卷积运算，依次类推，最终的输出被转换成一个特征向量输入进全连接层，将卷积过程中提取的局部特征映射融合，经Softmax交叉熵函数计算损失率后，通过反向传播计算每个参数的梯度，利用Adam算法动态地更新网络参数；

将各训练样本对三维CNN网络模型重复进行训练，直至完成预设的迭代次数，完成训练；

通过训练测试后的三维CNN网络模型对高光谱遥感图像进行检测分类。

2.根据权利要求1所述的高光谱海冰检测方法，其特征是：空间特征的提取具体包括有：

采用主成分分析算法对原始数据进行处理，获取第一主成分；

根据GLCM算法，将滑动窗口在第一主成分上按照设定的步长及方向角滑动，每滑动一次计算该滑动窗口的灰度共生矩阵并求得纹理特征值，将该窗口的纹理特征值赋予窗口的中心像素点，滑动窗口直至覆盖第一主成分；

对每个纹理特征，将各个方向角进行求和取平均得到纹理特征矩阵，以完成空间特征提取。

3.根据权利要求2所述的高光谱海冰检测方法，其特征是：对近邻未标签样本的获取具体为：

计算原始数据中的标签样本与所有未标签样本的欧式距离，并进行排序，完成所有标签样本的计算，以完成所有标签样本的近邻未标签样本的提取。

4.根据权利要求1所述的高光谱海冰检测方法，其特征是，预建的三维CNN网络模型的测试具体为：

将测试样本输入至已训练好的三维CNN网络模型中，根据预测获得的预测标签与直接获取的真实标签，计算混淆矩阵，并得到分类精度，完成测试。

Images