CN112149747A - 一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法 - Google Patents
一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN112149747A CN112149747A CN202011036420.7A CN202011036420A CN112149747A CN 112149747 A CN112149747 A CN 112149747A CN 202011036420 A CN202011036420 A CN 202011036420A CN 112149747 A CN112149747 A CN 112149747A
- Authority
- CN
- China
- Prior art keywords
- matrix
- module
- ghost3d
- covariance
- acquiring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011176 pooling Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims abstract description 35
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 117
- 238000010586 diagram Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000017105 transposition Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 abstract description 3
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- QHPQWRBYOIRBIT-UHFFFAOYSA-N 4-tert-butylphenol Chemical compound CC(C)(C)C1=CC=C(O)C=C1 QHPQWRBYOIRBIT-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,包括根据主成分分析法,获取高光谱遥感图像中的光谱带,所述光谱带包括每个像素点中取固定空间大小的立方体数据;根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D模块堆叠;基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量;将所述第一特征向量发送至三层全连接网络,获得所述高光谱遥感图像的分类数据。本发明结合了Ghost3D模块堆叠形成的的轻量级网络和协方差池化方法的优点,实现了在低训练样本下对高光谱图像的准确分类。
Description
技术领域
本申请属于图像处理技术领域,具体涉及一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法。
背景技术
随着光谱成像仪的发展,高光谱遥感技术已成为遥感领域的研究热点。作为地球观测的重要手段,被广泛应用于精细化农业、环境监测、军事侦测等方面。高光谱图像是一个具有高维度的图像,含有丰富的光谱特征信息和空间特征信息,因此与普通图像有很大不同。通过将反射目标辐射的光谱波段信息与反映目标二维空间的图像信息整合在一起,能够获得统一的地物信息。在对高光谱图像进行分类等应用时,随着数据维度的增加,会产生严重的Hughes现象,即分类精度出现明显下降的现象。因此,如何高效地提取高光谱图像的光谱和空间信息成为一个亟待解决的问题。
近年来,受视觉***内在结构的启发,深度学习发展迅速,已经有许多学者将深度学习的方法应用到高光谱图像的分类研究中。卷积神经网络作为深度学习中的一类重要算法,具有强大的特征学习能力,其结构特点非常适合解决图像领域问题,并在目标检测与追踪、图像分类等领域取得优异的性能。普通的卷积神经网络,由于网络层数的不断加深,在误差反向传播的过程中梯度会不断的衰减,导致信息的丢失,造成误差不断增大。因此,如何构建具有较强的鲁棒性和较深的体系结构对于高光谱图像分类任务而言至关重要。
发明内容
本申请提供一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,旨在解决现有技术中由于网络层数的不断加深,在误差反向传播的过程中梯度会不断的衰减,导致信息的丢失,造成误差不断增大,从而不能高效提取高光谱图像的光谱和空间信息的问题。
为实现上述目的,本申请所采取的技术方案为:
一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,包括以下步骤:
根据主成分分析法,获取高光谱遥感图像中的光谱带,所述光谱带包括每个像素点中取固定空间大小的立方体数据;
根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D模块堆叠;
基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量;
将所述第一特征向量发送至全连接网络,获得所述高光谱遥感图像的分类数据。
通过Ghost3D模块构建轻量级网络,并使用协方差池化方法提取二阶信息,实现了低训练样本下对高光谱图像的准确分类。
作为优选,所述根据主成分分析法,获取高光谱遥感图像中的光谱带,所述光谱带包括每个像素点中取固定空间大小的立方体数据,包括:
基于所述目标函数,获取所述高光谱遥感图像的光谱带。
作为优选,所述根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D模块堆叠,包括:
获取所述Ghost3D模块的第一特征图;
基于三维卷积模型获取第二特征图;
将所述第一特征图和所述第二特征图沿着通道方向进行拼接,得到所述第三特征图。
作为优选,所述基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量,包括:
获取矩阵Z;
基于所述矩阵Z,计算协方差矩阵C如下:
将所述协方差矩阵C映射至欧式空间,得到矩阵F如下:
其中,C=UAUT,A和U分别表示协方差矩阵C的特征值和特征向量,得到的矩阵F为对称矩阵;
获取由矩阵F的上三角数据组成的所述第一特征向量。
作为优选,所述三层全连接网络包括三个全连接层,三个全连接层中的前两个全连接层使用正规化形式的Dropout方法,最后一个全连接层使用Softmax输出预测分类结果。
一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置,其特征在于,包括:
获取模块:根据主成分分析法,获取高光谱遥感图像中的光谱带,所述光谱带包括每个像素点中取固定空间大小的立方体数据;
处理模块:根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D堆叠;
池化模块:基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量;
发送模块:将所述第一特征向量发送至三层全连接网络,获得所述高光谱遥感图像的分类数据。
作为优选,所述获取模块包括:
第二获取单元:基于所述目标函数,获取所述高光谱遥感图像的光谱带。
作为优选,所述处理模块包括:
第三获取单元:获取所述Ghost3D模块的第一特征图;
第四获取单元:基于三维卷积模型获取第二特征图;
第五获取单元:将所述第一特征图和所述第二特征图沿着通道方向进行拼接,得到所述第三特征图。
作为优选,所述池化模块包括:
第六获取单元:获取矩阵Z;
其中,C=UAUT,A和U分别表示协方差矩阵C的特征值和特征向量,得到的矩阵F为对称矩阵;
第七获取单元:获取由矩阵F的上三角数据组成的所述第一特征向量。
本发明具有如下有益效果:
本申请提供的基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,利用主成分分析对高光谱图像进行光谱降维,通过改进Ghost模块中的非线性映射部分为三维卷积而构成Ghost3D模块,并堆叠Ghost3D模块构成轻量级网络,并利用协方差池化方法提取二阶信息,充分利用光谱和空间特征信息来获得更多的判别特征,显著提高了高光谱图像分类的准确性。
附图说明
图1是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法第一流程图;
图2是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法第二流程图;
图3是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法第三流程图;
图4是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法第四流程图;
图5是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法具体实施流程图。
图6是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置示意图;
图7是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置的获取模块示意图;
图8是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置的处理模块示意图;
图9是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置的输出模块示意图;
图10是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置的具体实施流程图;
图11是本发明实施例实现一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置的一种电子设备示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
实施例1
如图1所示,一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,包括:
S110、根据主成分分析法,获取高光谱遥感图像中的光谱带,所述光谱带包括每个像素点中取固定空间大小的立方体数据;
S120、根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D模块堆叠;
S130、基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量;
S140、将所述第一特征向量发送至三层全连接网络,获得所述高光谱遥感图像的分类数据。
由实施例1可知,通过Ghost3D模块构建轻量级网络,并使用协方差池化方法提取二阶信息,实现了低训练样本下对高光谱图像的准确分类。
实施例2
如图2所示,一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,包括:
S220、基于所述目标函数,获取所述高光谱遥感图像的光谱带;
S230、根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D模块堆叠;
S240、基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量;
S250、将所述第一特征向量发送至三层全连接网络,获得所述高光谱遥感图像的分类数据。
由实施例2可知,高维数据包含了过多的冗余信息,使得计算量十分庞大,因此利用主成分分析对高光谱图像进行光谱降维,实现减小光谱带的维度并保留完整的空间信息。
实施例3
如图3所示,一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,包括:
S310、获取所述Ghost3D模块的第一特征图;
S320、基于三维卷积模型获取第二特征图;
S330、将所述第一特征图和所述第二特征图沿着通道方向进行拼接,得到所述第三特征图。
由实施例3可知,针对每个像素点取固定空间大小的立方体数据,输入至轻量级网络,通过降低数据的维度从而降低泛化误差。
实施例4
如图4所示,一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,包括:
S410、获取矩阵Z;
S420、基于所述矩阵Z,计算协方差矩阵C如下:
S440、获取由矩阵F的上三角数据组成的所述第一特征向量。
由实施例4可知,通过计算特征图间协方差矩阵获得二阶统计量信息,从而将三阶信息降维到二阶信息,减少计算误差,对计算过程更可控。
实施例5
如图5所示,一种具体的实施方式可为:
S510、获取待分类的高光谱图像;
为了提高数据处理速度与准确性,首先需要对获取的高光谱图像进行预处理。
S520、利用主成分分析法对高光谱图像进行光谱降维;
令获取的高光谱遥感图像的大小为W×H×L;
重塑高光谱遥感图像至大小为L×N的输入数据X,并且N=W×H;
计算输入数据X的协方差矩阵B;
获取输入数据X中最大的k个特征值对应的k个特征向量,并将k个特征向量作为列向量得到投影矩阵P;
建立主成分分析的优化目标函数如下:
其中,I是具L×L大小的单位矩阵,tr和T分别表示矩阵的迹和转置操作;
计算优化目标函数,当计算得到L×k大小的P时,主成分分析输出大小为k×L的降维后的高光谱遥感图像Y,Y=PT×X,则高光谱遥感图像的光谱带尺寸从原始的L减小为k。
S530、对光谱带中每个像素点取一个固定空间大小(如25×25)的立方体数据,通过改进Ghost模块中的非线性映射为三维卷积而构成Ghost3D模块,并利用Ghost3D模块堆叠的轻量级网络提取光谱-空间特征,得到最终的特征图;
获取第一特征图,所述第一特征图的大小为H×W×K;
通过三维卷积获取大小为H×W×M第二特征图,并与所述第一特征图沿着通道方向进行拼接,构成大小为H×W×(M+K)的第三特征图。
S540、采用协方差池化方法,从特征图中提取二阶信息,输出特征向量;
令第四特征图的大小为H×W×D;
重塑第四特征图为大小为D×N的矩阵Z,并且N=H×W;
计算协方差矩阵C如下:
将协方差矩阵C映射至欧式空间,得到矩阵F如下:
其中,C=UAUT,A和U分别表示协方差矩阵C的特征值和特征向量,得到的矩阵F为对称矩阵;
取矩阵F的上三角数据组成特征向量f输出。
S550、将特征向量输入至三层全连接网络得到针对待分类的高光谱图像的预测分类结果。
三层全连接网络包括三个全连接层,三个全连接层中的前两个全连接层使用正规化形式的Dropout方法,最后一个全连接层使用Softmax输出预测分类结果。
实施例6
如图6所示,一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置,包括:
获取模块10:根据主成分分析法,获取高光谱遥感图像中的光谱带,所述光谱带包括每个像素点中取固定空间大小的立方体数据;
处理模块20:根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D堆叠;
池化模块30:基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量;
发送模块40:将所述第一特征向量发送至三层全连接网络,获得所述高光谱遥感图像的分类数据。
上述装置的一种实施方式为:获取模块10获取高光谱遥感图像中的光谱带,处理模块20根据轻量级网络并基于所述立方体数据,获取第三特征图,池化模块30基于协方差池化方法,获取所述第三特征图中的二阶信息,发送模块40将所述第一特征向量发送至三层全连接网络,获得所述高光谱遥感图像的分类数据
实施例7
如图7所示,一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置的获取模块10包括:
第二获取单元14:基于所述目标函数,获取所述高光谱遥感图像的光谱带。
上述装置的获取模块10的一种具体实施方式可为:第一获取单元12获取输入数据X和目标函数,第二获取单元14基于所述目标函数,获取所述高光谱遥感图像的光谱带。
实施例8
如图8所示,一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置的处理模块20包括:
第三获取单元22:获取所述Ghost3D模块的第一特征图;
第四获取单元24:基于三维卷积模型获取第二特征图;
第五获取单元26:将所述第一特征图和所述第二特征图沿着通道方向进行拼接,得到所述第三特征图。
上述装置的处理模块20的一种具体实施方式可为:第三获取单元22获取所述Ghost3D模块的第一特征图,第四获取单元24基于三维卷积模型获取第二特征图,第五获取单元26将所述第一特征图和所述第二特征图沿着通道方向进行拼接,得到所述第三特征图。
实施例9
如图9所示,一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置的池化模块30包括:
第六获取单元32:获取矩阵Z;
池化子单元34:基于所述矩阵Z,计算协方差矩阵C如下:
第七获取单元38:获取由矩阵F的上三角数据组成的所述第一特征向量。
上述装置的池化模块30的一种具体实施方式可为:第六获取单元32获取矩阵Z,池化子单元34基于所述矩阵Z得到协方差矩阵C,映射单元36将所述协方差矩阵C映射至欧式空间,得到矩阵F,第七获取单元38获取由矩阵F的上三角数据组成的所述第一特征向量。
实施例10
如图10所示,一种具体的实施装置如下:
S1010、获取待分类的高光谱图像;
为了提高数据处理速度与准确性,首先需要对获取的高光谱图像进行预处理。
S1020、利用主成分分析法对高光谱图像进行光谱降维;
令获取的高光谱遥感图像的大小为W×H×L;
重塑高光谱遥感图像至大小为L×N的输入数据X,并且N=W×H;
计算输入数据X的协方差矩阵B;
获取输入数据X中最大的k个特征值对应的k个特征向量,并将k个特征向量作为列向量得到投影矩阵P;
建立主成分分析的优化目标函数如下:
其中,I是具L×L大小的单位矩阵,tr和T分别表示矩阵的迹和转置操作;
计算优化目标函数,当计算得到L×k大小的P时,主成分分析输出大小为k×L的降维后的高光谱遥感图像Y,Y=PT×X,则高光谱遥感图像的光谱带尺寸从原始的L减小为k。
S1030、对光谱带中每个像素点取一个固定空间大小(如25×25)的立方体数据,通过改进Ghost模块中的非线性映射为三维卷积而构成Ghost3D模块,并利用Ghost3D模块堆叠的轻量级网络提取光谱-空间特征,得到最终的特征图;
获取第一特征图,所述第一特征图的大小为H×W×K;
通过三维卷积获取大小为H×W×M第二特征图,并与所述第一特征图沿着通道方向进行拼接,构成大小为H×W×(M+K)的第三特征图。
S1040、采用协方差池化方法,从特征图中提取二阶信息,输出特征向量,包括:
令第四特征图的大小为H×W×D;
重塑第四特征图为大小为D×N的矩阵Z,并且N=H×W;
计算协方差矩阵C如下:
将协方差矩阵C映射至欧式空间,得到矩阵F如下:
其中,C=UAUT,A和U分别表示协方差矩阵C的特征值和特征向量,得到的矩阵F为对称矩阵;
取矩阵F的上三角数据组成特征向量f输出。
S1050、将特征向量输入至三层全连接网络得到针对待分类的高光谱图像的预测分类结果。
三层全连接网络包括三个全连接层,三个全连接层中的前两个全连接层使用正规化形式的Dropout方法,最后一个全连接层使用Softmax输出预测分类结果。
实施例11
如图11所示,一种电子设备,包括存储器1101和处理器1102,所述存储器1101用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器1102执行以实现上述的一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的电子设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
一种存储有计算机程序的计算机可读存储介质,所述计算机程序使计算机执行时实现如上述的一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器1101中,并由处理器1102执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机设备中的执行过程。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括,但不仅限于,存储器1101、处理器1102。本领域技术人员可以理解,本实施例仅仅是计算机设备的示例,并不构成对计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器1102可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器1102、数字信号处理器1102(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器1102可以是微处理器1102或者该处理器1102也可以是任何常规的处理器1102等。
存储器1101可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器1101也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器1101还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器1101用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器1101还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的具体实施例,但本发明的技术特征并不局限于此,任何本领域的技术人员在本发明的领域内,所作的变化或修饰皆涵盖在本发明的专利范围之中。
Claims (10)
1.一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,其特征在于,包括:
根据主成分分析法,获取高光谱遥感图像中的光谱带,所述光谱带包括每个像素点中取固定空间大小的立方体数据;
根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D模块堆叠;
基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量;
将所述第一特征向量发送至全连接网络,获得所述高光谱遥感图像的分类数据。
3.根据权利要求1所述的一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法,其特征在于,根据所述立方体数据以及轻量级网络,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D模块堆叠,包括:
获取所述Ghost3D模块的第一特征图;
基于三维卷积模型获取第二特征图;
将所述第一特征图和所述第二特征图沿着通道方向进行拼接,得到所述第三特征图。
5.一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置,其特征在于,包括:
获取模块:根据主成分分析法,获取高光谱遥感图像中的光谱带,所述光谱带包括每个像素点中取固定空间大小的立方体数据;
处理模块:根据轻量级网络并基于所述立方体数据,获取第三特征图,其中,所述轻量级网络包括多个Ghost3D堆叠;
池化模块:基于协方差池化方法,获取所述第三特征图中的二阶信息,其中,所述二阶信息记做第一特征向量;
发送模块:将所述第一特征向量发送至三层全连接网络,获得所述高光谱遥感图像的分类数据。
7.根据权利要求5所述的一种基于改良Ghost3D模块和协方差池化的高光谱图像分类装置,其特征在于,所述处理模块包括:
第三获取单元:获取所述Ghost3D模块的第一特征图;
第四获取单元:基于三维卷积模型获取第二特征图;
第五获取单元:将所述第一特征图和所述第二特征图沿着通道方向进行拼接,得到所述第三特征图。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求1~4中任一项所述的一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序使计算机执行时实现如权利要求1~4中任一项所述的一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036420.7A CN112149747A (zh) | 2020-09-27 | 2020-09-27 | 一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036420.7A CN112149747A (zh) | 2020-09-27 | 2020-09-27 | 一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149747A true CN112149747A (zh) | 2020-12-29 |
Family
ID=73894482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011036420.7A Pending CN112149747A (zh) | 2020-09-27 | 2020-09-27 | 一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149747A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819910A (zh) * | 2021-01-08 | 2021-05-18 | 上海理工大学 | 基于双鬼注意力机制网络的高光谱图像重建方法 |
CN113052254A (zh) * | 2021-04-06 | 2021-06-29 | 安徽理工大学 | 多重注意力幽灵残差融合分类模型及其分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170299435A1 (en) * | 2012-05-21 | 2017-10-19 | Digimarc Corporation | Sensor-synchronized spectrally-structured-light imaging |
CN111310598A (zh) * | 2020-01-20 | 2020-06-19 | 浙江工业大学 | 一种基于3维和2维混合卷积的高光谱遥感图像分类方法 |
CN111488989A (zh) * | 2020-04-16 | 2020-08-04 | 济南浪潮高新科技投资发展有限公司 | 一种在手机端实现轻量级目标检测的方法及模型 |
-
2020
- 2020-09-27 CN CN202011036420.7A patent/CN112149747A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170299435A1 (en) * | 2012-05-21 | 2017-10-19 | Digimarc Corporation | Sensor-synchronized spectrally-structured-light imaging |
CN111310598A (zh) * | 2020-01-20 | 2020-06-19 | 浙江工业大学 | 一种基于3维和2维混合卷积的高光谱遥感图像分类方法 |
CN111488989A (zh) * | 2020-04-16 | 2020-08-04 | 济南浪潮高新科技投资发展有限公司 | 一种在手机端实现轻量级目标检测的方法及模型 |
Non-Patent Citations (1)
Title |
---|
KAI HAN等: "GhostNet: More Features From Cheap Operations", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819910A (zh) * | 2021-01-08 | 2021-05-18 | 上海理工大学 | 基于双鬼注意力机制网络的高光谱图像重建方法 |
CN113052254A (zh) * | 2021-04-06 | 2021-06-29 | 安徽理工大学 | 多重注意力幽灵残差融合分类模型及其分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Hyperspectral image classification using mixed convolutions and covariance pooling | |
Wu et al. | ORSIm detector: A novel object detection framework in optical remote sensing imagery using spatial-frequency channel features | |
Gao et al. | Change detection from synthetic aperture radar images based on channel weighting-based deep cascade network | |
US10810870B2 (en) | Method of processing passage record and device | |
WO2021022521A1 (zh) | 数据处理的方法、训练神经网络模型的方法及设备 | |
US11132392B2 (en) | Image retrieval method, image retrieval apparatus, image retrieval device and medium | |
Akey Sungheetha | Classification of remote sensing image scenes using double feature extraction hybrid deep learning approach | |
Zhu et al. | Learning compact visual representation with canonical views for robust mobile landmark search | |
CN103700099A (zh) | 一种旋转和尺度不变的宽基线立体匹配方法 | |
CN113449700B (zh) | 视频分类模型的训练、视频分类方法、装置、设备及介质 | |
CN112580480B (zh) | 一种高光谱遥感影像分类方法及装置 | |
CN105320764A (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
CN110765882A (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
Qayyum et al. | Designing deep CNN models based on sparse coding for aerial imagery: a deep-features reduction approach | |
WO2022126529A1 (zh) | 定位的方法、设备、无人机和存储介质 | |
CN112529068B (zh) | 一种多视图图像分类方法、***、计算机设备和存储介质 | |
CN112149747A (zh) | 一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法 | |
WO2023221790A1 (zh) | 图像编码器的训练方法、装置、设备及介质 | |
CN117131376A (zh) | 一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法、***、设备及介质 | |
Lin et al. | SAN: Scale-aware network for semantic segmentation of high-resolution aerial images | |
CN111310732A (zh) | 高精度人脸认证方法、***、计算机设备及存储介质 | |
Jiang et al. | IARet: A lightweight multiscale infrared aerocraft recognition algorithm | |
El Ouariachi et al. | RGB-D feature extraction method for hand gesture recognition based on a new fast and accurate multi-channel cartesian Jacobi moment invariants | |
CN111582142A (zh) | 一种影像匹配方法及装置 | |
CN112733807A (zh) | 一种人脸比对的图卷积神经网络训练方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |