买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:南京林业大学
摘要:本发明公开了一种用于抗紫边识别的高光谱深度学习识别方法,属于高光谱成像与深度学习技术邻域。根据高光谱图像中待识别点的邻域点的光谱特征,先对邻域的识别结果进行检测,利用贝叶斯公式分析周围区域获得先验分类结果;再使用神经网络对待识别区域进行识别,提高网络对于信息缺乏区域的识别精度。本发明在图像识别的过程中,利用像素周围区域的光谱信息为紫边区域提供识别的数据支持,进而使得紫边区域能在光谱信息缺少的情况下,能够利用邻域信息提高识别精度。将高光谱技术和图像先验知识结合,利用待识别点与周围点的空间关系,进而提高紫边区域的识别精度,对于提高深度学习算法的识别率具有十分重要的意义。
主权项:1.一种用于抗紫边识别的高光谱深度学习识别方法,其特征在于:包括以下步骤:S1:采集不同物质混杂的高光谱图像,并数据进行校正与降噪;S2:对采集到的高光谱图像进行光谱数据的标注,使信息模糊的区域被分为同一类别;标注的类别包括待识别的类别、信息模糊的区域类别,信息模糊的区域类别包括紫边区域;S3:对模型进行训练时,先得到邻域特征变量统计表,然后构建贝叶斯先验判别网络,利用贝叶斯公式分析周围区域获得先验分类结果;具体实现方法如下:S31:首先构建一个nxn的滑动窗口,n为大于1的奇数;S32:使用滑动窗口在图像上滑动收集邻域特征,构建邻域特征变量统计表,以及与之对应的中央的像素类型;S33:将图像划分为4个邻域区块,对这些区块内的元素进行合并,块内元素合并为c类;像素区块合并时,使用以下方法实现:S331:初始化二维的类别列表,并将第一个像素区块加入到类别列表中;S332:从收集的像素区块中,取出下一个像素区块,并将其与类别列表中的所有元素块相比较,满足一下比较条件的像素块加入到相同的一维类别列表中,否则创建新的一维类别列表,并包含到已创建的二维类别列表中,比较条件如下: ;式中,b1和b2表示两个待比较的像素区块,n表示滑动窗口的大小;S333:重复S332中的步骤,直至所有的像素块都与二维类别列表中的元素完成比较,完成后,二维类别列表中的一维类别列表个数即为像素区块的类型数量c;S34:对邻域特征变量统计表进行位置交叉,交叉后的结果存入邻域特征变量的统计表,不断扩充邻域特征变量统计表;S35:基于各个不同的区块邻域特征,构建贝叶斯分类器;S4:使用神经网络对待识别区域进行识别,如果输出类别为信息模糊的区域,则提取该区域的邻域图像,使用贝叶斯先验判别网络进行判别。
全文数据:
权利要求:
百度查询: 南京林业大学 用于抗紫边识别的高光谱深度学习识别方法
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。